在前两篇推送中，我们先后掌握了哈里斯角检测和Shi-Tomasi拐角探测器，解锁了角点提取的基础技巧，但也发现了一个核心局限：无论是哈里斯还是Shi-Tomasi，都对尺度变化敏感——同一目标，放大或缩小后，角点检测效果会大幅下降，甚至无法检测到目标。而今天要讲的SURF（加速鲁棒特征），正是为解决这个问题而生，它是SIFT特征的优化升级版本，兼具“尺度不变性、旋转不变性、鲁棒性”，且计算速度更快，是实际项目中（图像匹配、全景拼接、目标识别）最常用的高级特征提取算法之一。
很多新手学习SURF时，容易被“加速鲁棒”“尺度不变”等专业术语吓住，也会疑惑：SURF和SIFT、Shi-Tomasi有什么区别？为什么它能解决尺度敏感问题？OpenCV中如何调用SURF算法？今天这篇实操教程，就带大家彻底吃透SURF特征——从核心原理、与前序算法的对比，到OpenCV实操、参数调优、场景落地，全程避开晦涩理论，紧密衔接前文角点检测知识点，让新手既能快速上手实操，也能理解背后的核心逻辑，实现从基础角点提取到高级特征提取的跨越。
一、前置基础：先搞懂——SURF是什么？（衔接前序算法）
SURF（Speeded Up Robust Features，加速鲁棒特征），是2006年由Herbert Bay等人提出的一种高级特征提取算法，本质是对SIFT（尺度不变特征变换）算法的优化——它保留了SIFT的“尺度不变性、旋转不变性”核心优势，同时通过简化计算流程、引入积分图像，将计算速度提升了3倍以上，解决了SIFT算法计算耗时的问题，更适配实际项目的实时性需求。
结合前序知识点，我们用一句话理清SURF与Shi-Tomasi、SIFT的关系：Shi-Tomasi/哈里斯是基础角点检测，无尺度不变性；SIFT是首个具备尺度不变性的特征算法，但计算慢；SURF是SIFT的加速版，兼顾尺度不变性、鲁棒性和速度，三者的核心差异的是“是否支持尺度不变”和“计算效率”。
关键补充（新手重点记）：
•尺度不变性：同一目标，无论放大、缩小，都能精准检测到其特征点（解决Shi-Tomasi/哈里斯的核心局限）；
•旋转不变性：目标旋转后，特征点检测结果不受影响（与SIFT、Shi-Tomasi一致）；
•鲁棒性：对光照变化、噪声、视角变化有较强的容忍度，适配复杂实际场景（优于前序所有算法）；
•加速核心：通过“积分图像”简化卷积计算，减少运算量，比SIFT快3倍以上，适合实时处理。
举个通俗例子：用Shi-Tomasi检测一张“原尺寸的棋盘”，能精准找到角点，但如果将棋盘放大2倍，再用Shi-Tomasi检测，会出现大量漏检、误检；而用SURF检测，无论棋盘是原尺寸、放大还是缩小，都能精准找到对应的特征点——这就是尺度不变性的核心价值。
二、核心原理：SURF为什么能实现“加速+鲁棒”？（通俗版）
SURF的核心原理与SIFT类似，都是通过“构建尺度空间、检测特征点、描述特征点”三个步骤实现尺度不变性，但SURF通过两个关键优化，实现了“加速”和“鲁棒性提升”，新手无需深究复杂的数学推导，抓住以下简化流程和核心优化点即可。
1. SURF核心流程（简化版，新手必记）
1.构建尺度空间：用不同尺寸的高斯滤波器对图像进行平滑处理，得到不同尺度的图像（模拟目标的放大、缩小），从而检测不同尺度下的特征点；
2.特征点检测：在尺度空间中，通过“海森矩阵（Hessian）”计算每个像素的响应值，筛选出响应值大于阈值的特征点（类似角点检测，但支持多尺度）；
3.特征点定位：对筛选出的特征点进行精确定位，去除边缘点和冗余点，保留稳定的特征点；
4.特征点描述：为每个特征点生成一个“特征描述子”（128维或64维向量），用于后续的特征匹配（描述子能唯一标识特征点，不受尺度、旋转影响）。
2. 核心优化点（SURF vs SIFT，加速+鲁棒的关键）
•加速优化：用“积分图像”替代SIFT中的高斯卷积，将卷积计算的时间复杂度从O(n²)降至O(1)，计算速度提升3倍以上；
•鲁棒性优化：用“海森矩阵”替代SIFT中的差分高斯，对边缘特征的检测更精准，同时对光照变化的容忍度更高；
•描述子优化：SURF的特征描述子更简洁（可选择64维，SIFT为128维），既减少了计算量，又保证了匹配精度。
关键提醒：OpenCV中SURF属于“专利算法”，部分OpenCV版本（如4.5.0以上）默认不启用，需手动安装扩展包或使用特定版本，后续实操会详细说明环境配置方法，避免新手踩坑。
三、环境准备（重点解决SURF专利问题，新手必看）
由于SURF是专利算法，OpenCV官方版本（如4.5.0以上）默认不包含SURF相关函数，需通过安装OpenCV扩展包（opencv-contrib-python）来启用，环境配置与前序一致，仅需额外安装扩展包，步骤如下：
1. 环境安装命令（适配Python 3.7-3.12，全系统兼容）
python# 卸载原有OpenCV（若已安装，避免版本冲突）pip uninstall opencv-python opencv-contrib-python -y# 安装适配版本（推荐4.4.0.46，无专利限制，支持SURF）pip install opencv-python==4.4.0.46pip install opencv-contrib-python==4.4.0.46# 安装辅助库（与前序一致，无需重复安装）pip install numpy matplotlib |
2. 环境验证（确保SURF可正常使用）
pythonimport cv2# 验证OpenCV版本print("OpenCV版本：", cv2.__version__)# 验证SURF可调用try:surf = cv2.xfeatures2d.SURF_create()print("SURF环境配置成功！")except Exception as e:print("SURF环境配置失败，错误信息：", e)print("请重新安装指定版本：pip install opencv-contrib-python==4.4.0.46") |
关键说明：若运行后提示“SURF环境配置成功”，则可正常进行后续实操；若失败，大概率是版本不兼容，严格按照上述命令安装4.4.0.46版本即可解决（该版本无专利限制，新手首选）。
四、核心重点：SURF核心函数详解（必记）
OpenCV中SURF的核心函数都封装在cv2.xfeatures2d模块中，主要包括“创建SURF对象、检测特征点、计算描述子”三个核心函数，新手重点掌握这三个函数的用法，即可完成SURF特征提取。
1. 核心函数（3个，必记）
python# 1. 创建SURF对象（核心）cv2.xfeatures2d.SURF_create(hessianThreshold, nOctaves, nOctaveLayers, extended, upright)# 2. 检测特征点并计算描述子（最常用，一键完成）kp, des = surf.detectAndCompute(image, mask)# 3. 绘制特征点（用于显示检测效果）cv2.drawKeypoints(image, kp, outImage, color, flags) |
2. 核心参数详解（新手重点记前3个）
•hessianThreshold：海森矩阵的响应值阈值，float类型，默认400，值越大，检测到的特征点越少、越稳定；值越小，特征点越多、可能出现误检（新手优先400，再微调）；
•nOctaves：尺度空间的组数，默认4，值越大，能检测到的尺度范围越广（适合目标尺度变化大的场景）；
•nOctaveLayers：每组尺度空间的层数，默认3，值越大，尺度空间越精细，检测精度越高，但计算速度越慢；
•extended：是否使用扩展描述子，bool类型，默认False（使用64维描述子），设为True则使用128维描述子（精度更高，计算量更大）；
•upright：是否使用垂直描述子，bool类型，默认False（支持旋转不变性），设为True则不支持旋转不变性，但计算速度更快；
•kp：返回的特征点对象列表，包含每个特征点的坐标、尺度、方向等信息；
•des：返回的特征描述子矩阵，格式为「(特征点数量, 64/128)」，用于后续特征匹配。
五、核心实操：SURF特征提取完整流程（代码可直接复制）
结合前文实操经验，我们以“不同尺度的书本图像”（验证尺度不变性）为例，实现SURF特征提取的完整流程，包含“基础检测、尺度不变性验证、参数调优”，代码附详细解读，新手可直接复制运行，替换自己的图像即可。
1. 基础实操：SURF基础特征提取
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 1. 读取图像并预处理（灰度化，SURF支持灰度图）img = cv2.imread("book.jpg") # 替换为自己的图像路径（任意目标均可）gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 2. 创建SURF对象（设置海森矩阵阈值，新手优先400）hessianThreshold = 400surf = cv2.xfeatures2d.SURF_create(hessianThreshold=hessianThreshold)# 3. 检测特征点并计算描述子（核心步骤，一键完成）kp, des = surf.detectAndCompute(gray, mask=None) # mask=None，不使用掩码# 4. 绘制特征点（红色圆点，标注特征点，便于观察）# 绘制参数：（原始图像，特征点，输出图像，颜色，绘制模式）img_with_kp = cv2.drawKeypoints(image=img,keypoints=kp,outImage=None,color=(0, 0, 255), # 红色flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS # 绘制特征点的尺度和方向)# 5. 显示效果（原始图 vs 特征点检测结果）plt.figure(figsize=(12, 6))# 原始图像plt.subplot(1, 2, 1)plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.title("原始图像（书本）")plt.axis("off")# SURF特征点检测结果plt.subplot(1, 2, 2)plt.imshow(cv2.cvtColor(img_with_kp, cv2.COLOR_BGR2RGB))plt.title(f"SURF特征提取结果（hessianThreshold={hessianThreshold}）")plt.axis("off")plt.tight_layout()plt.show()# 可选：保存检测结果cv2.imwrite("surf_basic_result.jpg", img_with_kp)# 打印特征点数量和描述子维度print(f"检测到的特征点数量：{len(kp)}")print(f"特征描述子维度：{des.shape[1]}") # 默认64维 |
关键说明：
•图像预处理：SURF仅支持单通道灰度图，必须先做灰度化处理，否则会报错；
•hessianThreshold调整：值越大，特征点越少、越稳定；值越小，特征点越多、可能有冗余，新手可根据目标复杂度调整（300~600为宜）；
•绘制模式：flags设为cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS，会同时绘制特征点的尺度（圆圈大小）和方向（箭头），更直观地呈现特征点信息。
2. 进阶实操：验证SURF的尺度不变性（核心优势）
SURF的核心优势是尺度不变性，我们用“同一目标、不同尺度”的图像，验证其检测效果，代码如下，可直接复制运行，直观感受尺度不变性的价值：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 1. 读取原始图像，并生成不同尺度的图像（放大1.5倍、缩小0.5倍）img_original = cv2.imread("book.jpg")gray_original = cv2.cvtColor(img_original, cv2.COLOR_BGR2GRAY)# 生成不同尺度的图像（缩放比例：0.5倍、1倍、1.5倍）scale1 = 0.5 # 缩小0.5倍scale2 = 1.5 # 放大1.5倍img_scale1 = cv2.resize(img_original, None, fx=scale1, fy=scale1, interpolation=cv2.INTER_LINEAR)img_scale2 = cv2.resize(img_original, None, fx=scale2, fy=scale2, interpolation=cv2.INTER_LINEAR)gray_scale1 = cv2.cvtColor(img_scale1, cv2.COLOR_BGR2GRAY)gray_scale2 = cv2.cvtColor(img_scale2, cv2.COLOR_BGR2GRAY)# 2. 创建SURF对象（统一参数，确保对比公平）surf = cv2.xfeatures2d.SURF_create(hessianThreshold=400)# 3. 分别检测不同尺度图像的特征点kp1, des1 = surf.detectAndCompute(gray_scale1, None) # 缩小0.5倍kp2, des2 = surf.detectAndCompute(gray_original, None) # 原尺寸kp3, des3 = surf.detectAndCompute(gray_scale2, None) # 放大1.5倍# 4. 绘制特征点img1_with_kp = cv2.drawKeypoints(img_scale1, kp1, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)img2_with_kp = cv2.drawKeypoints(img_original, kp2, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)img3_with_kp = cv2.drawKeypoints(img_scale2, kp3, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 5. 显示尺度不变性效果plt.figure(figsize=(15, 5))# 缩小0.5倍plt.subplot(1, 3, 1)plt.imshow(cv2.cvtColor(img1_with_kp, cv2.COLOR_BGR2RGB))plt.title(f"缩小0.5倍（特征点数量：{len(kp1)}）")plt.axis("off")# 原尺寸plt.subplot(1, 3, 2)plt.imshow(cv2.cvtColor(img2_with_kp, cv2.COLOR_BGR2RGB))plt.title(f"原尺寸（特征点数量：{len(kp2)}）")plt.axis("off")# 放大1.5倍plt.subplot(1, 3, 3)plt.imshow(cv2.cvtColor(img3_with_kp, cv2.COLOR_BGR2RGB))plt.title(f"放大1.5倍（特征点数量：{len(kp3)}）")plt.axis("off")plt.tight_layout()plt.show()# 可选：保存尺度不变性验证结果cv2.imwrite("surf_scale_invariant.jpg", np.hstack((img1_with_kp, img2_with_kp, img3_with_kp))) |
关键结论：从结果中可以看到，无论目标是缩小、原尺寸还是放大，SURF都能精准检测到大量优质特征点，且特征点数量差异不大——这就是尺度不变性的核心价值，也是SURF优于Shi-Tomasi、哈里斯的关键所在。
3. 实战调优：不同场景的参数调整（新手必看）
SURF的检测效果，核心取决于hessianThreshold、nOctaves、nOctaveLayers三个参数，不同场景需要调整参数才能达到最佳效果，以下是3种常见场景的调优方案，新手可直接参考：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 读取不同场景的测试图img1 = cv2.imread("book.jpg") # 场景1：目标清晰、尺度变化小（书本）img2 = cv2.imread("building_scene.jpg") # 场景2：目标复杂、尺度变化大（建筑）img3 = cv2.imread("natural_scene.jpg") # 场景3：噪声较多、目标模糊（自然场景）# 定义分场景调优参数scenes = [# (图像, 场景名称, hessianThreshold, nOctaves, nOctaveLayers)(img1, "目标清晰（尺度变化小）", 400, 4, 3),(img2, "目标复杂（尺度变化大）", 500, 5, 3),(img3, "噪声较多（目标模糊）", 600, 4, 4)]# 批量处理不同场景，执行SURF检测plt.figure(figsize=(15, 5))for i, (img, name, hessian, octaves, layers) in enumerate(scenes):gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SURF对象，使用调优后的参数surf = cv2.xfeatures2d.SURF_create(hessianThreshold=hessian, nOctaves=octaves, nOctaveLayers=layers)kp, des = surf.detectAndCompute(gray, None)# 绘制特征点img_with_kp = cv2.drawKeypoints(img, kp, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 显示效果plt.subplot(1, 3, i+1)plt.imshow(cv2.cvtColor(img_with_kp, cv2.COLOR_BGR2RGB))plt.title(f"{name}\n特征点数量：{len(kp)}")plt.axis("off")plt.tight_layout()plt.show() |
调优规律（新手记牢，直接复用）：
•目标清晰、尺度变化小场景：hessianThreshold=300~400，nOctaves=4，nOctaveLayers=3（默认参数即可，兼顾速度和精度）；
•目标复杂、尺度变化大场景：hessianThreshold=500~600，nOctaves=5~6（扩大尺度范围），nOctaveLayers=3（保证速度）；
•噪声较多、目标模糊场景：hessianThreshold=600~800（减少误检），nOctaves=4，nOctaveLayers=4（提升检测精度）。
六、新手必避的6个坑（实操避坑指南）
•坑1：未安装opencv-contrib-python扩展包——直接调用cv2.xfeatures2d.SURF_create()会报错，必须安装扩展包，且推荐4.4.0.46版本；
•坑2：使用彩色图进行检测——SURF仅支持单通道灰度图，必须先通过cv2.cvtColor()转为灰度图，否则会报错；
•坑3：hessianThreshold设置过小——导致特征点过多、冗余，甚至出现大量误检，尤其是噪声较多的场景，需适当增大阈值；
•坑4：nOctaves设置过大——虽然能扩大尺度检测范围，但会大幅降低计算速度，新手无需盲目增大，根据尺度变化情况调整；
•坑5：忽略特征描述子的维度——extended参数设为True时，描述子为128维，计算量更大，新手默认False（64维）即可，满足大多数场景；
•坑6：混淆SURF与SIFT的用法——SURF的函数在cv2.xfeatures2d模块中，SIFT同理，但SURF计算更快，新手优先选择SURF适配实际项目。
七、完整实战代码（一键复制运行，适配所有场景）
整合以上所有实操内容，包含“基础检测+尺度不变性验证+分场景调优”，替换自己的图像路径，即可一键跑通，适合新手直接实操，巩固SURF特征提取的所有知识点，同时衔接前文角点检测内容：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 1. 环境验证（可选）print("OpenCV版本：", cv2.__version__)try:surf = cv2.xfeatures2d.SURF_create()print("SURF环境配置成功！")except Exception as e:print("SURF环境配置失败，错误信息：", e)print("请重新安装指定版本：pip install opencv-contrib-python==4.4.0.46")exit()# 2. 读取图像（替换为自己的图像路径）img_basic = cv2.imread("book.jpg") # 基础实操图像img_scale_original = cv2.imread("book.jpg") # 尺度验证：原尺寸img_complex = cv2.imread("building_scene.jpg") # 复杂场景img_noisy = cv2.imread("natural_scene.jpg") # 噪声场景if None in [img_basic, img_scale_original, img_complex, img_noisy]:print("错误：未找到图像，请检查图像路径！")else:# 3. 基础SURF检测gray_basic = cv2.cvtColor(img_basic, cv2.COLOR_BGR2GRAY)surf_basic = cv2.xfeatures2d.SURF_create(400)kp_basic, des_basic = surf_basic.detectAndCompute(gray_basic, None)img_basic_kp = cv2.drawKeypoints(img_basic, kp_basic, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 4. 尺度不变性验证# 生成不同尺度图像img_scale1 = cv2.resize(img_scale_original, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_LINEAR)img_scale2 = cv2.resize(img_scale_original, None, fx=1.5, fy=1.5, interpolation=cv2.INTER_LINEAR)gray_scale1 = cv2.cvtColor(img_scale1, cv2.COLOR_BGR2GRAY)gray_scale2 = cv2.cvtColor(img_scale2, cv2.COLOR_BGR2GRAY)# 检测特征点surf_scale = cv2.xfeatures2d.SURF_create(400)kp_scale1, _ = surf_scale.detectAndCompute(gray_scale1, None)kp_scale2, _ = surf_scale.detectAndCompute(gray_scale2, None)kp_scale_original, _ = surf_scale.detectAndCompute(cv2.cvtColor(img_scale_original, cv2.COLOR_BGR2GRAY), None)# 绘制特征点img_scale1_kp = cv2.drawKeypoints(img_scale1, kp_scale1, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)img_scale2_kp = cv2.drawKeypoints(img_scale2, kp_scale2, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)img_scale_original_kp = cv2.drawKeypoints(img_scale_original, kp_scale_original, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 5. 分场景调优检测scenes = [(img_complex, 500, 5, 3),(img_noisy, 600, 4, 4)]scene_results = []for img, hessian, octaves, layers in scenes:gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)surf_scene = cv2.xfeatures2d.SURF_create(hessianThreshold=hessian, nOctaves=octaves, nOctaveLayers=layers)kp, _ = surf_scene.detectAndCompute(gray, None)img_kp = cv2.drawKeypoints(img, kp, None, (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)scene_results.append((img_kp, len(kp)))# 6. 统一显示所有效果plt.figure(figsize=(18, 12))# 第一行：基础检测+尺度验证plt.subplot(3, 4, 1)plt.imshow(cv2.cvtColor(img_basic_kp, cv2.COLOR_BGR2RGB))plt.title("基础SURF检测")plt.axis("off")plt.subplot(3, 4, 2)plt.imshow(cv2.cvtColor(img_scale1_kp, cv2.COLOR_BGR2RGB))plt.title("缩小0.5倍（特征点：{}）".format(len(kp_scale1)))plt.axis("off")plt.subplot(3, 4, 3)plt.imshow(cv2.cvtColor(img_scale_original_kp, cv2.COLOR_BGR2RGB))plt.title("原尺寸（特征点：{}）".format(len(kp_scale_original)))plt.axis("off")plt.subplot(3, 4, 4)plt.imshow(cv2.cvtColor(img_scale2_kp, cv2.COLOR_BGR2RGB))plt.title("放大1.5倍（特征点：{}）".format(len(kp_scale2)))plt.axis("off")# 第二行：分场景调优plt.subplot(3, 4, 5)plt.imshow(cv2.cvtColor(scene_results[0][0], cv2.COLOR_BGR2RGB))plt.title("复杂场景（特征点：{}）".format(scene_results[0][1]))plt.axis("off")plt.subplot(3, 4, 6)plt.imshow(cv2.cvtColor(scene_results[1][0], cv2.COLOR_BGR2RGB))plt.title("噪声场景（特征点：{}）".format(scene_results[1][1]))plt.axis("off")plt.tight_layout()plt.show()# 7. 保存结果（可选）cv2.imwrite("surf_basic.jpg", img_basic_kp)cv2.imwrite("surf_scale_invariant.jpg", np.hstack((img_scale1_kp, img_scale_original_kp, img_scale2_kp)))cv2.imwrite("surf_complex_scene.jpg", scene_results[0][0])cv2.imwrite("surf_noisy_scene.jpg", scene_results[1][0]) |
最后总结（衔接系列，强化记忆）
从哈里斯角检测、Shi-Tomasi拐角探测器，到今天的SURF特征，我们完成了特征提取的“从基础到高级”的跨越——SURF作为SIFT的加速版，核心解决了前序算法“尺度敏感”的核心局限，兼具尺度不变性、旋转不变性、鲁棒性和高效性，是实际项目中特征提取的首选算法。
新手学习的重点，不是深究复杂的数学原理，而是掌握“环境配置+核心函数+参数调优”：先解决SURF的专利问题，安装指定版本的扩展包；再掌握cv2.xfeatures2d.SURF_create()和detectAndCompute()两个核心函数；最后记住三个关键参数的调优规律，避开常见的6个坑，多实操、多对比，就能快速上手。
衔接前文知识点：SURF依然依赖图像预处理（灰度化），但无需额外进行高斯平滑（算法内部已包含尺度空间构建，自带降噪效果）；同时，SURF的特征描述子是后续特征匹配、全景拼接的核心基础——下一篇我们将讲解特征匹配的实操方法，利用今天提取的SURF特征，实现不同图像中目标的匹配，真正实现“特征提取→实际应用”的闭环。
SURF虽然强大，但也存在专利限制（部分场景商用需授权），后续我们还会学习ORB算法——无专利限制、兼具SURF的速度和SIFT的精度，进一步完善特征提取的知识体系。
辛苦大家看到这里啦，如果你觉得这篇OpenCV实操教程对你有帮助，麻烦动动小手，点赞+在看，让更多学习计算机视觉、OpenCV的小伙伴看到，一起交流学习、共同进步～
关注【AI与计算机视觉】，后台回复「SURF」，即可免费获取本文完整代码、测试素材（含不同尺度、不同场景测试图），还有OpenCV扩展包安装教程，助力大家快速上手，吃透SURF特征全流程！
评论区留言「SURF实操」，我们一起打卡练习，互相交流遇到的环境配置、参数调优问题，深耕计算机视觉，解锁更多实战技巧！后续我们将讲解特征匹配实操，衔接今天的SURF特征内容，记得持续关注哦～
10个月宝宝每天需要喝多少奶粉？
