在 DAY22 中我們學會了 Harris 與 Shi-Tomasi，能找出影像中的角點。
但這些方法雖然能找到角點，卻沒有提供每個角點的描述方式，因此無法直接用於影像比對。

本章將介紹經典的 SIFT（Scale-Invariant Feature Transform），它不僅能偵測關鍵點，還能提供特徵描述子（Feature Descriptors），用來做影像匹配、物件辨識等進階應用。

目錄

1. SIFT 的特點
2. 測試圖片準備
3. SIFT 關鍵點偵測程式範例
4. SIFT 特徵匹配程式範例
5. 方法比較與補充說明

1. SIFT 的特點

• 尺度不變性：無論影像縮放大小，關鍵點都能被偵測到。
• 旋轉不變性：影像旋轉後，關鍵點依然能對應。
• 光照穩定性：對於亮度改變仍具有一定的魯棒性。
• 特徵描述子：每個關鍵點都會產生 128 維向量，可用於比對。

SIFT 的這些特性使其在物件辨識、場景重建、影像拼接等領域廣泛應用。

2. 測試圖片準備

準備兩張圖片（同一場景但縮放或旋轉不同），例如 box.jpg 與 box_in_scene.jpg。

import cv2
import numpy as np

# 讀取兩張圖片
img1 = cv2.imread("box.jpg")
img2 = cv2.imread("box_in_scene.jpg")

img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
img2_gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

cv2.imshow("Original img1", img1_gray)
cv2.imshow("Original img2", img2_gray)

# 將以下程式碼放在所有顯示語句的最後面
cv2.waitKey()
cv2.destroyAllWindows()

說明：
灰階影像能簡化計算，並保留角點偵測所需的亮度資訊。
在特徵點檢測前，通常會先進行去雜訊（如高斯模糊），以提升檢測品質。

3. SIFT 關鍵點偵測程式範例

# 建立 SIFT 物件
sift = cv2.SIFT_create()

# 偵測關鍵點與描述子
keypoints, descriptors = sift.detectAndCompute(img1_gray, None)

# 畫出關鍵點
img_sift = cv2.drawKeypoints(img1, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

cv2.imshow("SIFT Keypoints", img_sift)

程式說明：

• detectAndCompute()：同時偵測關鍵點 (keypoints)與計算描述子 (descriptors)。
• drawKeypoints()：將關鍵點畫在影像上，圓圈大小代表關鍵點的尺度。

4. SIFT 特徵匹配程式範例

# 建立 SIFT 物件
sift = cv2.SIFT_create()

# 偵測與計算特徵
kp1, des1 = sift.detectAndCompute(img1_gray, None)
kp2, des2 = sift.detectAndCompute(img2_gray, None)

# 建立 BFMatcher（暴力比對器）
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)

# 匹配特徵
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)

# 繪製前 20 個最佳匹配
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:20], None, flags=2)

cv2.imshow("SIFT Matching", img_matches)

程式說明：

• BFMatcher：暴力比對器，使用 L2 距離計算描述子相似度。
• drawMatches()：將兩張影像的匹配結果可視化，便於觀察匹配效果。

5. 方法比較與補充說明

補充說明：

• SIFT 產生的描述子可用於影像匹配、物件辨識、場景重建等進階應用。
• SIFT 對於影像縮放、旋轉、光照變化具有高度魯棒性。
• 若需即時應用，可考慮更快的 SURF、ORB 等方法（後續章節介紹）。
• SURF（Speeded Up Robust Features）雖然速度快且效果佳，但因專利限制，OpenCV 預設版本通常無法直接使用，需額外安裝或設定才能啟用，因此本系列不再介紹 SURF 的特徵檢測方式，建議優先使用 SIFT 或 ORB 等開源且易用的方法。

🎯 今日結語

1. SIFT 不僅能偵測特徵點，還能提供特徵描述子，支援影像匹配與辨識。
2. 相較於 Harris / Shi-Tomasi，SIFT 更穩定且功能完整，適合實際應用。
3. 特徵描述子是影像比對的關鍵，未來會學習 SURF、ORB 等更快的演算法。
4. 實務上可根據需求選擇合適方法，並搭配前處理提升效果