Reference
https://docs.opencv.org/4.x/d4/d8c/tutorial_py_shi_tomasi.html
GO
在初入SLAM(1)——Harris角点检测中,我们详细介绍了Harris角点检测。现在是时候学习Shi-Tomasi了。
在(1)中,我们得到Harris的评分函数是
R
=
λ
1
λ
2
−
k
(
λ
1
+
λ
2
)
2
=
det
(
M
)
−
k
(
trace
(
M
)
)
2
R=\lambda_1\lambda_2-k(\lambda_1+\lambda_2)^2=\operatorname{det}(M)-k(\operatorname{trace}(M))^{2}
R=λ1λ2−k(λ1+λ2)2=det(M)−k(trace(M))2
而对于Shi-Tomasi角点,就是将这个评分函数改为:
R
=
m
i
n
(
λ
1
,
λ
2
)
R=min(\lambda_1,\lambda_2)
R=min(λ1,λ2)
如果大于阈值,则将其视为角点。
上图绿色部分,
λ
1
和
λ
2
\lambda_1和\lambda_2
λ1和λ2都大于阈值,落在其中的点被认为是角点。
代码
# -*-coding:utf-8-*-
import copy
import numpy as np
import cv2
filename = '1.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
original = cv2.imread(filename)
cv2.imshow('original', original)
corners = cv2.goodFeaturesToTrack(gray, maxCorners=1000, qualityLevel=0.01, minDistance=10, useHarrisDetector=False)
corner_image = copy.deepcopy(original)
for i in corners:
x,y = i.ravel()
cv2.circle(corner_image, (x, y), 2, (0, 0, 255), -1)
cv2.imshow('out.jpg', corner_image)
cv2.waitKey(0)
我们只需要注意cv2.goodFeaturesToTrack()函数,当其中的useHarrisDetector为True,就是进行Harris角点检测,为False,就是进行Shi-Tomasi角点检测。