目标:
- 了解另一个角点探测器:Shi-Tomasi角点探测器
- 函数:
cv.goodFeaturesToTrack()
理论
在上一小节,我们看到了Harris角点检测。1994年晚些时候,J.Shi和C.Tomasi在他们的论文《Good Features to Track》中做了一个小修改,与Harris角点检测相比显示出更好的结果。Harris角点探测器的评分功能由下式给出:
R = λ 1 λ 2 − k ( λ 1 + λ 2 ) 2 R = \lambda_1 \lambda_2 - k(\lambda_1+\lambda_2)^2 R=λ1λ2−k(λ1+λ2)2
除此之外,Shi-Tomasi提出:
R = m i n ( λ 1 , λ 2 ) R = min(\lambda_1, \lambda_2) R=min(λ1,λ2)
如果它大于阈值,则将其视为拐角。如果我们像在Harris角点检测器中那样在 λ 1 − λ 2 \lambda_1 - \lambda_2 λ1−λ2空间中绘制它,我们得到如下图像:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mKMDOfB3-1682510113122)(null)]
从图中可以看出,只有当 λ 1 \lambda_1 λ1和 λ 2 \lambda_2 λ2高于最小值λmin时,它才被视为一个角(绿色区域)。
代码实现
OpenCV有一个函数cv.goodFeaturesToTrack()
。 它通过Shi-Tomasi方法(或Harris角点检测,如果你指定它)在图像中找到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点数。然后指定质量等级,该等级是0-1之间的值,表示低于每个人被拒绝的角点的最低质量。然后我们提供检测到的角之间的最小欧氏距离。
利用所有这些信息,该函数可以在图像中找到角点。低于质量水平的所有角点都被拒绝。然后它根据质量按降序对剩余的角进行排序。然后功能占据第一个最强的角点,抛弃最小距离范围内的所有角点并返回N个最强的角点。
在下面的示例中,我们将尝试找到25个最佳角点:
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('blox.jpg')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
corners = cv.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.int0(corners)
for i in corners:
x,y = i.ravel()
cv.circle(img,(x,y),3,255,-1)
plt.imshow(img),plt.show()
结果如下图所示:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5W9kCifJ-1682510113084)(null)]
我们以后会发现这个函数很适合在目标跟踪中使用。