OpenCV是个极其强大的视觉库，其各模块的功能如下。

calib3d：该模块由相机校准（calibration）和三维重建（3d）两个部分组成，主要用于相机标定与三维视觉等；core：OpenCV的内核模块，定义了基础数据结构与基础计算；dnn：该模块主要用于深度学习推理部署，不支持模型训练；features2d：该模块主要用于特征点处理，例如特征点检测与匹配等；flann：FLANN为快速最近邻算法（Fast Library for Approximate Nearest Neighbors）的缩写，该模块包含快速近似最近邻搜索和聚类等功能；gapi：该模块对图像处理算法做了加速处理，不属于OpenCV的功能模块；highgui：该模块用于创建图像化界面操作，例如创建和操作图像显示窗口、鼠标与键盘事件处理，进度条等图像化交互操作；imgcodecs：该模块负责图像文件读写，如图像读取与保存；imgproc：该模块是OpenCV图像处理最重要的模块，主要功能如图像滤波、图像几何变换、直方图操作等；ml：该模块为机器学习模块，包含常见的机器学习算法，如支持向量机和随机森林等；objdetect：该模块主要用于图像目标检测，例如Haar特征检测等；photo：该模块主要负责照片处理，如照片修复和去噪等；stitching：该模块负责图像拼接，功能包括图像特征点寻找与匹配等图像拼接技术；video：该模块用于视频分析，如运动估计、背景分离等；videoio：该模块负责视频读写，主要视频文件的读取和写入。

OpenCV在视觉算法中的功能非常强大，其中一个原因就是该算法库一直在与时俱进的更新最新的算法，对于具有专利的算法（如SURF）以及一些还没有稳定的算法，OpenCV会将其置于扩展模块中，这些扩展模块包含在opencv_contrib代码库中。

opencv_contrib的模块及其功能说明如下。

alphamat：Alpha Matting信息流算法；aruco：增强现实标记算法；barcode：条形码检测与解码方法；bgsegm：增强背景-前景分割算法；bioinspired：仿生学视觉模型和衍生工具；ccalib：用于三维重建的自定义校准模式；cudaarithm：CUDA矩阵运算；cudabgsegm：CUDA背景分割；cudacodec：CUDA视频编解码；cudafeatures2d：CUDA特征检测与描述；cudafilters：CUDA图像滤波；cudaimgproc：CUDA图像处理；cudalegacy：CUDA传统支持；cudaobjdetect：CUDA目标检测；cudaoptflow：CUDA光流算法；cudastereo：CUDA立体匹配；cudawarping：CUDA图像扭曲；cudev：CUDA设备层；cvv：计算机视觉程序交互式可视化调试的GUI；datasets：用于处理不同数据集的框架；dnn_objdetect：基于DNN的目标检测；dnn_superres：基于DNN的超分；dpm：基于可变形零件的模型；face：人脸分析；freetype：使用freetype/harfbuzz绘制UTF-8字符串；fuzzy：基于模糊数学的图像处理；hdf：分层数据格式I/O例程；hfs：基于层次特征选择的图像分割方法；img_hash：该模块提供了不同的图像哈希算法的实现；intensity_transform：该模块提供了用于调整图像对比度的强度变换算法的实现；julia：OpenCV Julia绑定；line_descriptor：用于从图像中提取线条的二进制描述符；mcc：Macbeth图表模块；optflow：光流算法；ovis：OGRE三维可视化器；phase_unwrapping：相位展开API；plot：Mat数据绘制函数；quality：图像质量分析API；rapid：基于轮廓的三维目标跟踪；reg：图像配准；rgbd：RGB深度处理；saliency：显著性API；sfm：运动结构分析；shape：形状距离与匹配；stereo：立体匹配算法；structured_light：结构光API；superres：超分模块；surface_matching：曲面匹配；text：场景文字检测与识别；tracking：追踪API；videostab：视频稳定；viz：三维可视化器；wechat_qrcode：微信二维码检测器，用于检测和解析二维码；xfeatures2d：features2d扩展模块；ximgproc：imgproc扩展模块；xobjdetect：objdetect扩展模块；xphoto：photo扩展模块。

因为项目中需要使用xfeatures2d模块提供的SIFT来使用SITT算子来提取图像特征，但是OpenCV本身模块不提供，但是再openCV扩展模块中提供了，下载链接：Tags · opencv/opencv_contrib · GitHub，主要找到和你openCV版本一样的版本

使用下面的编译脚本：

echo offREM cd opencv_4_7_0:: 32bitset GENERATOR="Visual Studio 17 2022" -A WIN32set INSTALL_PREFIX=../opencv_4_7_0_x86set BUILD_DIR=.build.x86mkdir %BUILD_DIR%call:start_build:: 64bitset GENERATOR="Visual Studio 17 2022" -A x64set INSTALL_PREFIX=../opencv_4_7_0_x64set BUILD_DIR=.build.x64mkdir %BUILD_DIR%call:start_buildgoto:eof:start_buildcmake -S . -B %BUILD_DIR% -DCMAKE_INSTALL_PREFIX=%INSTALL_PREFIX% -G %GENERATOR% -DOPENCV_DOWNLOAD_MIRROR_ID=gitcode -DCMAKE_DEBUG_POSTFIX=d  -DOPENCV_EXTRA_MODULES_PATH=F:/raw/opencv_contrib-4.7.0/modulescmake --build %BUILD_DIR% --config Debug -j8cmake --install %BUILD_DIR% --config Debugcmake --build %BUILD_DIR% --config Release -j8cmake --install %BUILD_DIR% --config Releasegoto:eof

其实最核心的就是编译脚本中提供的这个参数

-DOPENCV_EXTRA_MODULES_PATH=F:/raw/opencv_contrib-4.7.0/modules

接下来使用Opencv中SIFT特征检测

#include <opencv2/opencv.hpp>#include <opencv2/xfeatures2d.hpp>#include <iostream>using namespace cv;using namespace std;using namespace cv::xfeatures2d;int main(int agrc, char** agrv){	cv::Mat src = cv::imread("D:/image2/41.jpg",IMREAD_GRAYSCALE);//加载进来就是一张灰度图像	if (!src.data)	{		printf("加载图片失败。。。\n");		return -1;	}	cv::namedWindow("原图", cv::WINDOW_AUTOSIZE);	cv::imshow("原图", src01);  int numFeatures = 40000;  cv::Ptr<cv::SIFT> dector = cv::SIFT::create(numFeatures);  vector<cv::KeyPoint> keyPoints;  dector->detect(src01, keyPoints, cv::Mat());  printf("所有的关键点个数：%d", keyPoints.size());  cv::Mat keypoint_img;  drawKeypoints(src01, keyPoints, keypoint_img, cv::Scalar::all(-1), cv::DrawMatchesFlags::DEFAULT);  cv::namedWindow("SIFT 关键点", cv::WINDOW_AUTOSIZE);  cv::imshow("SIFT 关键点", keypoint_img);  cv::waitKey(0);	return 0;}

效果如下