一、问题：怎么判断"两张图是同一个东西"
"小陈，拍照搜书的核心问题：你拍一张封面，怎么在 5 万本书里找到最像的那一本？"老周问。
"……像素逐个比对？"
"天真。你拍的封面和数据库里的原图，光线不同、角度不同、大小不同、还有透视变形。 逐像素比对，一样都匹配不上。我们要的是——不管怎么变，都能认出来的'不变特征'。"
图像匹配的难点：
① 尺度变化：近拍/远拍，大小不一样
② 旋转变化：书歪了
③ 光照变化：暗/亮/阴影
④ 视角变化：有一点透视
⑤ 遮挡：手指挡了一角
解法：提取"特征点"（关键点 Keypoint）
= 图像里"与众不同、稳定可重复"的位置
角点、边缘交点、纹理斑块……
每个特征点有一个"描述子"（Desriptor）= 它的"指纹"
→ 两张图有大量"相似指纹" → 是同一物体！
"特征提取 = 给图像的'标志性位置'做'指纹'——不管图怎么变，同一物体的特征指纹不会变。这是传统视觉的基石。"
二、角点检测：什么是"特征点"
"先看最简单的特征点——角点（Corner）。"老周说：
角点（Corner Point）：
图像里"两个方向亮度都剧烈变化"的位置
（如书角、文字拐角、窗户角）
为什么角点是好的特征？
平移后还能找到（位置独特）
旋转后还是角点（性质不变）
光照变化影响小（局部对比）
Harris 角点检测（经典）：
cv2.cornerHarris(gray, blockSize, ksize, k)
→ 每个像素一个"角点响应值"
→ 响应值大的 = 角点
Shi-Tomasi 角点（改进版，OpenCV 常用）：
corners = cv2.goodFeaturesToTrack(gray, maxCorners, qualityLevel, minDistance)
→ 找出 N 个"质量最高"的角点
import cv2
import numpy as np
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Harris 角点检测
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
img_corners = img.copy()
img_corners[dst > 0.01 * dst.max()] = [0, 0, 255] # 角点标红
# Shi-Tomasi 角点（更常用）
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100,
qualityLevel=0.01, minDistance=10)
for c in corners:
x, y = c.ravel()
cv2.circle(img, (int(x), int(y)), 3, (0, 255, 0), -1)
"角点是特征的'入门款'——它告诉你'哪里值得关注'。但角点太'弱'，尺度一变大就找不到了。要更强，上 SIFT/ORB。"
三、SIFT：尺度不变特征变换（经典王者）
"真正让视觉界沸腾的是 SIFT（尺度不变特征变换）——2004 年 Lowe 提出，能同时应对尺度、旋转、光照变化。"老周说：
SIFT（Scale-Invariant Feature Transform）：
核心思想：在不同尺度（放大/缩小）下都能找到稳定的特征点
每个特征点有 128 维描述子（向量）= 它的"DNA 指纹"
为什么强：
尺度不变：近拍远拍都能匹配（尺度空间金字塔）
旋转不变：旋转后描述子不变
光照鲁棒：基于梯度方向，不受亮度整体变化影响
→ 教科书级的经典算法
注意：SIFT 有专利（已过期），OpenCV 需要 contrib 模块
OpenCV：
sift = cv2.SIFT_create()
kp, des = sift.detectAndCompute(gray, None)
# kp = 关键点列表；des = 描述子矩阵 (N×128)
四、ORB：又快又免费的"实用派"
"SIFT 强但慢。移动端要快，用 ORB。"老周说：
ORB（Oriented FAST and Rotated BRIEF）：
结合了 FAST（快速角点检测）+ BRIEF（二进制描述子）
特点：
快（比 SIFT 快 1-2 个数量级）
免费（无专利）
描述子是二进制的（匹配用汉明距离，超快）
缺点：尺度不变性不如 SIFT（可配合金字塔改善）
OpenCV：
orb = cv2.ORB_create(nfeatures=500)
kp, des = orb.detectAndCompute(gray, None)
选型：
要精度（匹配质量）→ SIFT
要速度（实时/移动端）→ ORB
现在很多场景已被深度学习替代，但传统特征
在"图像拼接、SLAM、纹理匹配"仍有价值
五、特征匹配：找相同指纹
"有了特征点，怎么判断两张图相似？特征匹配（Feature Matching）。"老周说：
import cv2
# 两张图提取特征
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)
# 暴力匹配（ORB 用汉明距离）
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
# 按距离排序（距离小 = 相似）
matches = sorted(matches, key=lambda m: m.distance)
# 取前 N 个好匹配画出来
good = matches[:50]
result = cv2.drawMatches(img1, kp1, img2, kp2, good, None)
# FLANN 匹配（SIFT 大数据量用，更快）
# flann = cv2.FlannBasedMatcher(dict(algorithm=1, trees=5), {})
# matches = flann.knnMatch(des1, des2, k=2)
匹配评估：
匹配数量：越多越好
匹配质量：平均距离越小越好（指纹越接近）
比率测试（Lowe's ratio test）：
最匹配距离 / 次匹配距离 < 0.7 → 保留（更可靠）
→ 过滤错误匹配（误匹配的克星）
怎么判断"是同一本书"？
匹配数 > 阈值 且 质量好 → 判定同一封面
云间书店：拍照封面 vs 数据库封面做匹配
→ 匹配分最高的书 = 搜索结果
"特征匹配 = 比指纹——两张图的特征描述子大量相似，就是同一个东西。比率测试是过滤误匹配的关键技巧，面试常考。"
六、图像拼接与全景：特征匹配的经典应用
"特征匹配最经典的应用之一：图像拼接（Image Stitching）——把多张照片拼成全景图。"老周说：
图像拼接流程：
① 拍多张有重叠的图（云间书店书架全景）
② 提取特征（SIFT/ORB）
③ 匹配相邻图特征
④ 计算变换矩阵（Homography，单应性矩阵）
⑤ 图像变换对齐 + 融合拼接
⑥ 输出全景图
OpenCV 一行实现：
stitcher = cv2.Stitcher_create()
status, pano = stitcher.stitch([img1, img2, img3])
# status 0 = 成功，pano = 全景图
背后的数学：单应性变换
找到 4 对以上匹配点 → 解出 8 参数变换矩阵
→ 一张图可以"变形"到另一张图的角度
应用：手机全景拍照、地图街景拼接、文档拼接
"图像拼接是'特征提取+匹配'的综合大作业——手机的全景拍照，就是这个流程。看懂它，你就懂了传统视觉的'经典三件套'：特征、匹配、变换。"
七、章末：老周的第四章总结
第三层：特征提取与匹配
├── 问题：图像会变（尺度/旋转/光照/视角），怎么认得出
├── 特征点 = 图像的"标志位置"（角点/斑块）
├── Harris / Shi-Tomasi：角点检测（入门款）
├── SIFT：尺度不变王者（128维描述子，慢但准）
├── ORB：快速免费（二进制描述子，实时首选）
├── 特征匹配：比指纹（汉明距离 + 比率测试过滤误匹配）
├── 应用：图像拼接（特征+匹配+单应性变换=全景）
└── 现代：很多场景被深度学习替代，但经典仍有用武之地
第五层（预告）：传统机器学习视觉 —— 用 SVM 给图书分类
"小陈，你现在能给图像'提取指纹'、'比对指纹'了——这是传统视觉的看家本领。"老周说，"但光有特征还不够：拍照搜书，我们要的是'这张封面属于哪个类别（哪本书）'。下一章，我们进入机器学习——用 HOG 特征 + SVM 分类器，让机器学会'看图归类'。这是深度学习的'前辈'，理解了它，后面的 CNN 会好懂很多。"