关键点（Keypoints）和描述子（Descriptors）是图像匹配、拼接、跟踪等计算机视觉任务的基础。你可以把关键点想象成图像中独一无二的“路标”，而描述子就是这个路标的“身份证号”，用来在其它图像中找到同一个地方。

📌 核心概念

关键点 (Keypoints)：图像中稳定、独特、可重复定位的点。通常是角点、边缘交汇点或斑点（blob），对光照、旋转、尺度变化具有一定的稳定性。

描述子 (Descriptors)：用数学向量（一串数字）来描述关键点周围的局部图像信息。相似的区域产生的描述子向量距离很近，不相似的区域向量距离很远。

将两者组合，就能在不同图像间完成特征匹配——即“认出同一个物体”。

OpenCV 提供了多种检测器与描述子组合，下面是最常用的几种：

# 关键点和描述子
# 关键点:位置，大小和方向.
# 关键点描述子:记录了关键点周围对其有共享的像素点的一组向量值，其不受仿射变换，光照变换等影响,
#   描述子的作用就是进行特征匹配，在后面进行特征匹配的时候会用上.

代码实例如下：

import cv2
from opencv_jupyter_ui import cv2_imshow

img = cv2.imread('./images/hand.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#创建sift对象
#注意:xfeatures2d是opencv的扩展包中的内容，需要安装opencv-contrib-python
# sift = cv2.xfeatures2d.SIFT_create()
sift = cv2.SIFT_create()
#进行检测
kp = sift.detect(gray)
# print(kp)

# 检测关键点，并计算描述子
# kp, des = sift.compute(gray, kp)
#或者一步到位，把关键点和描述子一起检测出来
kp, des = sift.detectAndCompute(gray, None)
print(type(des))
print(des.shape)

#绘制关键点
cv2.drawKeypoints(gray, kp, img)

# cv2.imshow('img', img)
cv2_imshow('img', img)

效果图展示如下：