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=λ1λ2−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