opencv32:Shi-Tomasi 角点检测|Shi–Tomasi

目标

在本章中，将学习另一个角点检测器：

理论

在上一章中，学习了 。1994年下半年，J.Shi和C. 在论文《Good to Track》中做了一个小修改，与 相比，展示了更好的结果。哈里斯角落探测器的计分功能由下式给出：

R = λ 1 λ 2 − k ( λ 1 + λ 2 ) 2 R = \ \ - k(\+\)^2 R=λ1​λ2​−k(λ1​+λ2​)2

取而代之的是，C. 提出：

R = m i n ( λ 1 , λ 2 ) R=min(\, \) R=min(λ1​,λ2​)

如果大于阈值，则将其视为拐角。如果像在 中那样在 λ 1 − λ 2 \-\ λ1​−λ2​ 空间中绘制它，则会得到如下图像：

从图中可以看到，只有当 λ 1 \ λ1​ 和 λ 2 \ λ2​ 大于最小值 λ m i n \{min} λmin​时，才将其视为拐角（绿色区域）。

代码

有一个函数cv2.()。它通过Shi-方法（或哈里斯角检测，如果指定的话）找到图像中的N个最强角。像往常一样，图像应该是灰度图像。然后，指定要查找的角的数量。然后，指定质量级别，该值是介于0-1之间的值，该值表示每个角落都被拒绝的最低拐角质量。然后，提供检测到的角之间的最小欧式距离。

利用所有这些信息，该函数可以找到图像中的拐角，低于平均质量的所有拐角点均被拒绝。然后，会根据质量以降序的方式对剩余的角进行排序。然后函数首先获取最佳拐角，然后丢弃最小距离范围内的所有附近拐角，然后返回N个最佳拐角。

= cv.( image, , , , mask, , [, [, [, k]]] )

在下面的示例中，将尝试找到24个最佳角点：

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('shi.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)corners = cv2.goodFeaturesToTrack(gray, 24, 0.01, 10)  # 四个参数，图像，个数，分数，距离
corners = np.int0(corners)for i in corners:x, y = i.ravel()cv2.circle(img, (x,y), 3, 255, -1)plt.imshow(img)
plt.show()

附加资源