OpenCV 库中 SIFT 特征提取实现，如：

import cv2

sift = cv2.xfeatures2d.SIFT_create()

img = cv2.imread('test.jpg')
kps, des = sift.detectAndCompute(img, None)

1. SIFT_create() 参数

def SIFT_create(nfeatures=None, 
                nOctaveLayers=None, 
                contrastThreshold=None, 
                edgeThreshold=None, 
                sigma=None):
    """
    SIFT_create([, nfeatures[, 
                   nOctaveLayers[, 
                   contrastThreshold[, 
                   edgeThreshold[, 
                   sigma]]]]]) -> retval
    Use cv.SIFT_create() instead
    """

其中，

[1] - nfeatures：特征点数目（算法对检测出的特征点排名，返回最好的nfeatures个特征点）

[2] - nOctaveLayers：金字塔中每组的层数（算法中会自己计算这个值）

[3] - contrastThreshold：过滤掉较差的特征点的对阈值. contrastThreshold越大，返回的特征点越少.

[4] - edgeThreshold：过滤掉边缘效应的阈值. edgeThreshold越大，特征点越多（被过滤掉的越少）.

[5] - sigma：金字塔第0层图像高斯滤波系数.

注：

[1] - 参数nfeatures指定最终返回的特征点数量，并不影响SIFT特征检测的结果.

[2] - 参数nOctaveLayers和sigma主要影响图像高斯金字塔的构成.

[3] - contrastThreshold和edgeThreshold 会影响在DOG中寻找极值点的过程与结果.

在使用OpenCV SIFT特征检测算子时，如果提取效果不够理想，可根据实际情况调整参数后进行重新提取，如：

import cv2 

sift = cv2.xfeatures2d.SIFT_create(
            nfeatures=500, contrastThreshold=0.01, edgeThreshold=30, sigma=1.6)
kps, des = sift.detectAndCompute(img_cv2, None)

OpenCV 默认参数：

nfeatures =0
nOctaveLayers =3
contrastThreshold = 0.04
edgeThreshold = 10
sigma =1.6

参考：opencv3.1的SIFT特征检测参数图文详解 - 2016.11.04

2. kps 与 des

kps, des = sift.detectAndCompute(img, None)

其中，返回值 des为 128 为向量组成的列表； kps 为关键点列表，每个元素为一个 KeyPoint，其包含信息有：

[1] - angle：角度，表示关键点的方向. 为了保证方向不变形，SIFT算法通过对关键点周围邻域进行梯度运算，求得该点方向. -1为初值.

[2] - class_id：当要对图片进行分类时，可以用 class_id 对每个特征点进行区分. 未设定时为-1，需要自己设定.

[3] - octave：代表是从金字塔哪一层提取的得到的数据.

[4] - pt：关键点的坐标(x, y).

[5] - response：响应程度，代表该点强壮大小，更确切的说，是该点角点的程度.

[6] - size：该点直径的大小