可以看出目前的结构是基于hess的算法进行的重构。那么首先需要解决的是整体的调用和实现结构问题，然后是hess算法的结构问题，再然后才是具体的算法。需要做的事情很多，一起来研究。
一、OpenCV中sift调用接口和例子
首先是一定要编译使用contrib版本的OpenCV代码，同时最后设置的时候需要注意,头文件和命名空间要选择正确。
在最新版本的OpenCV中，已经对特征提取这块的函数进行了统一接口：
Mat matSrc = imread("e:/template/lena.jpg");
Mat gray;
Mat draw;
cvtColor( matSrc, gray, CV_RGB2GRAY );
Mat descriptors;
std::vector<KeyPoint> keypoints;
// 生产sift结构
Ptr<SiftFeatureDetector> siftFD = SiftFeatureDetector::create();
siftFD->detectAndCompute(gray,Mat(),keypoints,draw);
drawKeypoints(gray,keypoints,gray,Scalar(0,0,255),DrawMatchesFlags::DEFAULT);
结果：
这里也只是简单地把特征点给画了出来，并没有将方向等信息进行表示。下面我们具体看一看sift在OpenCV中是如何实现的。
OpenCV是开发源代码的，所以这里的代码都是可以自己看到的。那么联调的方式为
二、sift的代码结构解析
注意，sift的原始地址在
它的类结构为：
它的构建函数为：
直接返回的是本类的指针
我们去看代码，基本了解结构以后，就直接从我们想要用的那个函数开始“顺藤摸瓜”。我们想要的是detectAndCompute 函数。
三、sift的代码具体实现
step0: createInitialImage 将图片转换成为合适的大小
Mat base = createInitialImage(image, firstOctave < 0, (float)sigma);
最为简单的一步，据说将输入的图片变化为规整的大小和格式：
//step1: buildGaussianPyramid 构建高斯金字塔
buildGaussianPyramid(base, gpyr, nOctaves);
//step2: buildDoGPyramid 构建高斯差分金字塔
buildDoGPyramid(gpyr, dogpyr);
//step3: findScaleSpaceExtrema removeDuplicated 寻找并筛选尺度空间特征值
findScaleSpaceExtrema(gpyr, dogpyr, keypoints);
注意这里将特征值的初略寻找和细化寻找放在了一起（一个循环）
其中
其中二
注意：
//step4: calcDescriptors 计算特征值
calcDescriptors(gpyr, keypoints, descriptors, nOctaveLayers, firstOctave);
三、简单小结
这里也只是将sift的代码挑了出来，简单进行了分析。应该说OpenCV的代码本身才是其最为精髓的地方，无论是代码背后的理论，还是代码实现的技术，以及各种提升速度的方法，都对于我们写出出色的图像处理算法和运用很有帮助。
而学习的最好方法就是去实现创造。OpenCV本身就是开源的项目，基于现有的这么多的资源，在图像处理广阔的领域去进行创新，不断巩固提升自己的能力。与大家共勉！
