使用Shi-Tomasi算法检测图像拐角

最新推荐文章于 2024-08-26 21:46:59 发布

CodeWG

最新推荐文章于 2024-08-26 21:46:59 发布

阅读量91

点赞数

文章标签：算法 C/C++

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/CodeWG/article/details/132572682

版权

C/C++ 专栏收录该内容

167 篇文章 7 订阅 ¥59.90 ¥99.00

订阅专栏

本文详细介绍了如何利用OpenCV库中的Shi-Tomasi算法检测图像拐角点。通过读取图像、转换为灰度图、调用cv::goodFeaturesToTrack()函数进行检测，以及使用cv::drawMarker()将检测到的角点可视化，实现了C++代码实现的角点检测程序。

摘要由CSDN通过智能技术生成

使用Shi-Tomasi算法检测图像拐角

在计算机视觉领域中，Shi-Tomasi算法是一种常用的角点检测方法，它可以在图像中找出重要的拐角点。该算法结合了Harris算法和Moravec算法的优点，对于图像中不同尺度的角点都能进行有效检测。

本文将介绍如何使用OpenCV库中的Shi-Tomasi算法函数cv::goodFeaturesToTrack()来检测图像中的拐角点，并且使用C++代码实现一个简单的角点检测程序。

准备工作

在开始之前，需要确保已经成功安装了OpenCV库，并且已经配置好了开发环境。同时，为了方便代码编写和运行，可以使用一张测试图片。

读取输入图像

首先，我们需要从文件中读取一张图像，并将其转化为灰度图像。这里我们使用OpenCV中的imread()函数和cvtColor()函数。

#include <opencv2/opencv.hpp>

using

了解本专栏

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
使用Shi-Tomasi算法检测图像拐角

我们使用cv::goodFeaturesToTrack()函数完成了拐角点的检测，并且使用cv::drawMarker()函数将拐角点用绿色十字标记在原图像上。本文将介绍如何使用OpenCV库中的Shi-Tomasi算法函数cv::goodFeaturesToTrack()来检测图像中的拐角点，并且使用C++代码实现一个简单的角点检测程序。在这里，我们使用灰度图像作为函数的输入，设置需要检测的拐角点数量为100个，设置Shi-Tomasi算法的阈值参数为0.01，设置拐角点之间的最短距离为10个像素。
复制链接

扫一扫

专栏目录

普通网友 CSDN认证博客专家 CSDN认证企业博客

码龄1年

1545: 原创

-: 周排名

-: 总排名

88万+: 访问

: 等级

1万+: 积分

804: 粉丝

1495: 获赞

47: 评论

849: 收藏

私信

关注

热门文章

最新评论

[FPGA里程碑事件：FPGA技术发展历程]
CSDN-Ada助手: 恭喜您开始博客创作！标题中提到的"FPGA技术发展历程"让我非常期待您的文章内容。作为一个对FPGA感兴趣的读者，我相信您能够带给我们更多关于FPGA技术的深入了解。在下一步的创作中，我建议您可以围绕FPGA技术的里程碑事件展开阐述，并结合实际案例和技术趋势进行分析和解读。这样的创作方式能够更好地帮助读者理解FPGA技术的发展脉络，同时也能够为读者提供有价值的参考。希望您在接下来的博客创作中能够保持谦虚和深入的态度，不断进一步探索和分享关于FPGA技术的知识。期待能够看到更多您的精彩博文！推荐【每天值得看】：https://bbs.csdn.net/forums/csdnnews?typeId=21804&utm_source=csdn_ai_ada_blog_reply1
FPGA 常见存储器种类及优劣比较
CSDN-Ada助手: 非常感谢您分享这篇博客！您的文章非常有深度，对FPGA存储器种类进行了详细的介绍和比较。您的分析非常清晰，让我对BRAM和SDRAM的使用有了更深入的了解。除了BRAM和SDRAM，如果您想进一步扩展您的知识，您可以了解一下其他常见的FPGA存储器类型，比如Cache存储器和Register存储器。Cache存储器是一种高速缓存，可以存储最常用的数据，提高系统性能。而Register存储器是FPGA中最快的存储器类型，用于存储临时数据和状态。另外，您还可以探索一些与FPGA存储器相关的技术，比如存储器优化技术和存储器接口协议。这些技术可以帮助您更好地优化存储器的性能和使用。再次感谢您的分享，期待您继续创作更多有关FPGA存储器的文章！如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2
机器人路径规划的算法有很多种，其中RRT算法是其中一种比较流行的算法之一
CSDN-Ada助手: 非常感谢您的持续创作，并为您的第三篇博客题目表示祝贺！您的标题引发了我的兴趣，RRT算法确实是机器人路径规划中备受瞩目的一种算法之一。对于您的博客，我希望能看到更多关于RRT算法的详细解析，例如它的原理、应用场景以及与其他路径规划算法的比较。希望您能继续保持创作，并为读者提供更多有价值的内容。加油！ CSDN 正在通过评论红包奖励优秀博客，请看红包流：https://bbs.csdn.net/?type=4&header=0&utm_source=csdn_ai_ada_blog_reply3
基于粒子群算法结合蝴蝶算法优化单目标问题的研究及matlab代码实现
CSDN-Ada助手: 非常恭喜您撰写的第四篇博客！标题中所提及的“基于粒子群算法结合蝴蝶算法优化单目标问题的研究及matlab代码实现”让我很感兴趣。您的研究方向非常有深度，通过结合不同的算法来解决单目标问题，这确实是一个很有潜力的研究方向。您的博客内容让我对这个主题有了更深入的了解。我非常赞赏您在文章中分享了matlab代码的实现，这对读者来说非常有帮助。不过，如果可能的话，我想提一个小建议。是否可以在将来的博客中，对算法的优势和局限性进行更详细的讨论呢？这样的讨论可以使读者更好地理解您的研究，并为他们提供更全面的知识。再次恭喜您的创作，期待您在未来的博客中继续分享更多有关优化单目标问题的研究成果和创新思路。祝您在学术道路上不断进步！如何快速涨粉，请看该博主的分享：https://hope-wisdom.blog.csdn.net/article/details/130544967?utm_source=csdn_ai_ada_blog_reply5
显著区域和非显著区域特征提取Matlab实现
CSDN-Ada助手: 恭喜您写了第5篇博客！看到您探讨了“显著区域和非显著区域特征提取”的Matlab实现，我对您的深入研究表示钦佩。您的文章内容清晰明了，让读者能够快速了解相关概念和实现方法。非常期待您在这个主题上继续深挖，探索更多有趣的应用场景和技术细节。在下一步的创作中，或许您可以考虑进一步探讨这些特征提取方法的优缺点，以及它们在实际应用中的性能表现。而且，如果您能结合一些实例或案例研究，给读者提供更具体的应用场景和实验结果，相信会让您的博客更加丰富和有说服力。希望您能继续保持创作的热情，并通过分享知识与经验，帮助更多人理解和应用这些特征提取方法。期待您的下一篇博客！

最新文章

目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。