SIFT::SIFT(int nfeatures=0, int nOctaveLayers=3, double contrastThreshold=0.04, double edgeThreshold=10, double sigma=1.6)

nfeatures：特征点数目（算法对检测出的特征点排名，返回最好的nfeatures个特征点）。


nOctaveLayers：金字塔中每组的层数（算法中会自己计算这个值，后面会介绍）。


contrastThreshold：过滤掉较差的特征点的对阈值。contrastThreshold越大，返回的特征点越少。


edgeThreshold：过滤掉边缘效应的阈值。edgeThreshold越大，特征点越多（被多滤掉的越少）。


sigma：金字塔第0层图像高斯滤波系数，也就是σ。

void SIFT::operator()(InputArray img, InputArray mask, vector<KeyPoint>& keypoints, OutputArraydescriptors, bool useProvidedKeypoints=false)

img：8bit灰度图像


mask：图像检测区域（可选）


keypoints：特征向量矩阵


descipotors：特征点描述的输出向量（如果不需要输出，需要传cv::noArray()）。


useProvidedKeypoints：是否进行特征点检测。ture，则检测特征点；false，只计算图像特征描述。

SIFT::SIFT( int _nfeatures, int _nOctaveLayers,           double _contrastThreshold, double _edgeThreshold, double _sigma )    : nfeatures(_nfeatures), nOctaveLayers(_nOctaveLayers),    contrastThreshold(_contrastThreshold), edgeThreshold(_edgeThreshold), sigma(_sigma)	// sigma：对第0层进行高斯模糊的尺度空间因子。	// 默认为1.6（如果是软镜摄像头捕获的图像，可以适当减小此值）{}

主要操作还是利用重载操作符()来执行：

void SIFT::operator()(InputArray _image, InputArray _mask,                      vector<KeyPoint>& keypoints,                      OutputArray _descriptors,                      bool useProvidedKeypoints) const// mask ：Optional input mask that marks the regions where we should detect features.// Boolean flag. If it is true, the keypoint detector is not run. Instead,// the provided vector of keypoints is used and the algorithm just computes their descriptors.// descriptors – The output matrix of descriptors.// Pass cv::noArray() if you do not need them.			  {    Mat image = _image.getMat(), mask = _mask.getMat();    if( image.empty() || image.depth() != CV_8U )        CV_Error( CV_StsBadArg, "image is empty or has incorrect depth (!=CV_8U)" );    if( !mask.empty() && mask.type() != CV_8UC1 )        CV_Error( CV_StsBadArg, "mask has incorrect type (!=CV_8UC1)" );			// 得到第1组（Octave）图像    Mat base = createInitialImage(image, false, (float)sigma);    vector<Mat> gpyr, dogpyr;	// 每层金字塔图像的组数（Octave）    int nOctaves = cvRound(log( (double)std::min( base.cols, base.rows ) ) / log(2.) - 2);    // double t, tf = getTickFrequency();    // t = (double)getTickCount();		// 构建金字塔（金字塔层数和组数相等）    buildGaussianPyramid(base, gpyr, nOctaves);	// 构建高斯差分金字塔    buildDoGPyramid(gpyr, dogpyr);    //t = (double)getTickCount() - t;    //printf("pyramid construction time: %g\n", t*1000./tf);		// useProvidedKeypoints默认为false	// 使用keypoints并计算特征点的描述符    if( !useProvidedKeypoints )    {        //t = (double)getTickCount();        findScaleSpaceExtrema(gpyr, dogpyr, keypoints);		//除去重复特征点        KeyPointsFilter::removeDuplicated( keypoints ); 		// mask标记检测区域（可选）        if( !mask.empty() )            KeyPointsFilter::runByPixelsMask( keypoints, mask );		// retainBest:根据相应保留指定数目的特征点（features2d.hpp）        if( nfeatures > 0 )            KeyPointsFilter::retainBest(keypoints, nfeatures);        //t = (double)getTickCount() - t;        //printf("keypoint detection time: %g\n", t*1000./tf);    }    else    {        // filter keypoints by mask        // KeyPointsFilter::runByPixelsMask( keypoints, mask );    }	// 特征点输出数组    if( _descriptors.needed() )    {        //t = (double)getTickCount();        int dsize = descriptorSize();        _descriptors.create((int)keypoints.size(), dsize, CV_32F);        Mat descriptors = _descriptors.getMat();        calcDescriptors(gpyr, keypoints, descriptors, nOctaveLayers);        //t = (double)getTickCount() - t;        //printf("descriptor extraction time: %g\n", t*1000./tf);    }}

函数中用到的构造金字塔： buildGaussianPyramid(base, gpyr, nOctaves);等步骤请参见文章后续系列。

（转载请注明作者和出处：http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途）