如果对Surf的探究或者使用到此为止，我觉得只是用Surf这把牛刀吓唬了一个小鸡仔，万里长征才刚刚开始第一步，最少有三个问题需要得到解答：
- 1. 保存特征点信息的keyPoints向量内每个元素包含有哪些内容？
- 2. 通过comput方法生成的特征描述子是一个Mat矩阵，该Mat矩阵的结构是怎样的？
- 3. 特征点匹配后生成一个DMatch型的向量matches，这个matches里边的内容又是什么，以及如何有效操作众多匹配信息，为之后在实际中的应用做好基础？
1. 保存特征点信息的keyPoints向量内每个元素包含有哪些内容？
keyPoints数据结构包含的内容有：
- size1：特征点的总个数
- pt： 特征点的坐标
- size2：特征点的大小
- angle：特征点的角度
- response：特征点的响应强度，代表该点的稳健程度，可以在Surf特征探测器的含参构造函数中设置响应强度的最低阈值，如： SurfFeatureDetector surfDetector(800);
- octave：特征点所在的金字塔的哪一组
- class_id：特征点的分类
2. 通过comput方法生成的特征描述子是一个Mat矩阵，该Mat矩阵的结构是怎样的？
经过归一化后的描述子Mat矩阵显示
这两个长的很大条的图像就是描述子的图像显示，图像的行数是特征点的个数，上例中图像1的特征点数比图像二的少，表现出来就是图像的高度小一些。
图像的列数是描述特征点的描述子的维度数，在Surf中，维度是64，在SIft中，维度是128，所以如果使用Sift特征的话，图像应该宽两倍。
3. 特征点匹配后生成一个DMatch型的向量matches，这个matches里边的内容又是什么，以及如何有效操作众多匹配信息，为之后在实际中的应用做好基础？
matches数据结构包含的内容有：
- size：配对成功的特征点对数
- queryIdx：当前“匹配点”在查询图像的特征在KeyPoints1向量中的索引号，可以据此找到匹配点在查询图像中的位置
- trainIdx：当前“匹配点”在训练（模板）图像的特征在KeyPoints2向量中的索引号，可以据此找到匹配点在训练图像中的位置
- imgIdx：当前匹配点对应训练图像（如果有若干个）的索引，如果只有一个训练图像跟查询图像配对，即两两配对，则imgIdx=0
- distance：连个特征点之间的欧氏距离，越小表明匹配度越高
4. 匹配特征点sort排序
sort方法可以对匹配点进行从小到大的排序：
使用sort排序之前，每个匹配点对间的距离（即匹配稳健性程度）是随机分布的，排序之后，距离按由小到大的顺序排列，越靠前的，匹配度越高，可以通过排序后把靠前的匹配提取出来。