sift特征提取，是获取特征值的一种重要方法，目前在OpenCV3.4.3以上的版本中已经不能使用，因此，要使用本方法需要对OpenCV进行降级，并安装指定的版本：
pip uninstall opencv-python
pip install opencv-python == xxx
pip install opencv-contrib-python==xxx其中xxx是版本号
sift特征提取涉及到以下几个部分：
图像尺度空间
图像尺度空间，指的是让机器对物体在不同的尺度下有一个统一的认识，需要考虑图像在不同的尺度下都存在的特点；
尺度空间的获取通常使用高斯模糊进行实现：
不同的参数σ决定了高斯函数对图像的平滑程度，越大的σ值对应的图像越模糊。
多分辨率金字塔
高斯差分金字塔
上面图像中，第一根最后一层是检测不到的。
高斯差分金字塔空间极值检测
检测之后得到检测点。
为了寻找尺度空间的极值点，每个像素点要和其图像域（同一尺度空间）和尺度域（相邻的尺度空间）的所有相邻点进行比较，当其大于（或者小于）所有相邻点时，该点就是极值点。如下图所示，中间的检测点要和其所在图像的3×3邻域8个像素点，以及其相邻的上下两层的3×3领域18个像素点，共26个像素点进行比较。
关键点的精确定位
这些候选关键点是DOG空间的局部极值点，而且这些极值点均为离散的点，精确定位极值点的一种方法是，对尺度空间DoG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。
将极值点求出带回函数，对极值位置进行修正。了解即可
消除边界响应
特征点的主方向
此处可参考模式识别中的主成分分析PCA
每个特征点可以得到三个信息((x,y),σ,θ)，即位置、尺度和方向。具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。
生成特征描述
在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。
为了保证特征矢量的旋转不变性，要以特征点为中心，在附近邻域内将坐标轴旋转θ角度，即将坐标轴旋转为特征点的主方向。
旋转之后的主方向为中心取8x8的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个4x4的小块上绘制8个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征的由4个种子点组成，每个种子点有8个方向的向量信息。
论文中建议对每个关键点使用4x4共16个种子点来描述，这样一个关键点就会产生128维（每个关键点4x4，有八个方向，有4x4x8=128）的SIFT特征向量。
代码比较简洁：
# shift scale invariant feature transform平移尺寸不变转换
# 灰度-高斯模糊-高斯差分金字塔-差分金字塔空间极值检测-关键点的精确定位
# 消除边界噪声-确定特征点的主方向-生成特征描述
import cv2 as cv
import numpy as np
path = r'F:\Python_study\python_image\opencv\image\chessboard.png'
img = cv.imread(path)
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
# get sift
sift = cv.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None)
img = cv.drawKeypoints(gray, kp, img)
cv.imshow('frawkeypoint', img)
# compute sift
kp, des = sift.compute(gray, kp)
print(np.array(kp).shape)
cv.waitKey(0)
cv.destroyAllWindows()由于没有装合适的版本，没有能运行出结果，之后会补上。
