前言
主入口函数直接调用了ComputePyramid()、ComputeKeyPointsOctTree（）、computeDescriptors()三大核心函数，间接调用了这三大核心函数所调用的函数，可以说是覆盖了所有的函数。
1.函数声明
/*用仿函数（重载括号运算符）方法来计算图像特征点* _image 输入原始图的图像_mask 掩膜mask_keypoints 存储特征点关键点的向量_descriptors 存储特征点描述子的矩阵*/
void ORBextractor::operator()( InputArray _image, InputArray _mask, vector<KeyPoint>& _keypoints,OutputArray _descriptors)
{ ....
}2.函数定义
步骤：
1.接收输入图像（_image）（另一个输入图像矩阵暂时用不到）提取图像的矩阵数据并检查是否是单通道。
if(_image.empty())return;//获取图像的大小Mat image = _image.getMat();// 获取图像的矩阵数据。//判断图像的格式是否正确，要求是单通道灰度值assert(image.type() == CV_8UC1 );//每个像素值是一个8位无符号整数，三通道。// assert是一种断言语句，用于在程序中进行条件检查。2.调用ComputePyramid() 函数生成图像金字塔。
ORB-SLAM2源码学习：ORBextractor.cc：ComputePyramid构建图像金字塔①
// Pre-compute the scale pyramidComputePyramid(image);3.调用ComputeKeyPointsOctTree()函数（传统的方法采用ComputeKeyPointsOld()，这里并未采用）来计算关键（Keypoints）点并存储在 allKeypoints 中。
ORB-SLAM2源码学习：ORBextractor.cc ：ComputeKeyPointsOctTree计算并分配特征点②
// 存储所有的特征点，注意此处为二维的vector，第一维存储的是金字塔的层数，第二维存储的是那一层金字塔图像里提取的所有特征点vector < vector<KeyPoint> > allKeypoints; //使用四叉树的方式计算每层图像的特征点并进行分配ComputeKeyPointsOctTree(allKeypoints);4.根据每层的特征点数量计算总特征点数量，并为描述子（Descriptors）分配内存。
5. 遍历金字塔的每一层。
a.对当前层图像应用高斯模糊GaussianBlur（），得到workingMat。
b.调用 computeDescriptors() 函数计算当前层的描述子（Descriptors）。
ORB-SLAM2源码学习：ORBextractor.cc：computeOrbDescriptor 计算描述子
c.根据层级缩放特征点坐标，并将其添加到输出的 _keypoints 向量中。
//因为遍历是一层一层进行的，但是描述子那个矩阵是存储整个图像金字塔中特征点的描述子，所以在这里设置了Offset变量来保存“寻址”时的偏移量，//辅助进行在总描述子mat中的定位int offset = 0;//开始遍历每一层图像for (int level = 0; level < nlevels; ++level){//获取在allKeypoints中当前层特征点容器的句柄vector<KeyPoint>& keypoints = allKeypoints[level];//本层的特征点数int nkeypointsLevel = (int)keypoints.size();//如果特征点数目为0，跳出本次循环，继续下一层金字塔if(nkeypointsLevel==0)continue;// preprocess the resized image// 深拷贝当前金字塔所在层级的图像Mat workingMat = mvImagePyramid[level].clone();// 注意：提取特征点的时候，使用的是清晰的原图像；这里计算描述子的时候，为了避免图像噪声的影响，使用了高斯模糊GaussianBlur(workingMat, //源图像workingMat, //输出图像Size(7, 7), //高斯滤波器kernel大小，必须为正的奇数2, //高斯滤波在x方向的标准差2, //高斯滤波在y方向的标准差BORDER_REFLECT_101);//边缘拓展点插值类型// Compute the descriptors 计算描述子// desc存储当前图层的描述子Mat desc = descriptors.rowRange(offset, offset + nkeypointsLevel);computeDescriptors(workingMat, //高斯模糊之后的图层图像keypoints, //当前图层中的特征点集合desc, //存储计算之后的描述子pattern); //随机采样模板// 更新偏移量的值 offset += nkeypointsLevel;// Scale keypoint coordinates// 对于第0层的图像特征点，他们的坐标就不需要再进行恢复了if (level != 0){// 获取当前图层上的缩放系数float scale = mvScaleFactor[level];// 遍历本层所有的特征点for (vector<KeyPoint>::iterator keypoint = keypoints.begin(),keypointEnd = keypoints.end(); keypoint != keypointEnd; ++keypoint)// 特征点本身直接乘缩放倍数就可以了keypoint->pt *= scale;}// And add the keypoints to the output// 将keypoints中内容插入到_keypoints 的末尾// keypoint其实是对allkeypoints中每层图像中特征点的引用，这样allkeypoints中的所有特征点在这里被转存到输出的_keypoints_keypoints.insert(_keypoints.end(), keypoints.begin(), keypoints.end());}结束语
以上就是我学习到的内容，如果对您有帮助请多多支持我，如果哪里有问题欢迎大家在评论区积极讨论，我看到会及时回复。
