目标
本节我们将要学习:
• 另外一个角点检测技术:Shi-Tomasi 焦点检测
结果如下:
本节我们将要学习:
• 另外一个角点检测技术:Shi-Tomasi 焦点检测
• 函数:cv2.goodFeatureToTrack()
原理
上一节我们学习了Harris 角点检测,后来1994 年,J.Shi 和C.Tomasi在他们的文章《Good_Features_to_Track》中对这个算法做了一个小小的修改,并得到了更好的结果。我们知道Harris 角点检测的打分公式为:
但Shi-Tomasi 使用的打分函数为:
如果打分超过阈值,我们就认为它是一个角点。我们可以把它绘制到~
空间中,就会得到下图:
从这幅图中,我们可以看出来只有当和
都大于最小值时,才被认为是角点(绿色区域)。
31.1 代码
OpenCV 提供了函数:cv2.goodFeaturesToTrack()。这个函数可以帮我们使用Shi-Tomasi 方法获取图像中N 个最好的角点(如果你愿意的话,也可以通过改变参数来使用Harris 角点检测算法)。通常情况下,输入的应该是灰度图像。然后确定你想要检测到的角点数目。再设置角点的质量水平,0到1 之间。它代表了角点的最低质量,低于这个数的所有角点都会被忽略。最后在设置两个角点之间的最短欧式距离。
根据这些信息,函数就能在图像上找到角点。所有低于质量水平的角点都会被忽略。然后再把合格角点按角点质量进行降序排列。函数会采用角点质量最高的那个角点(排序后的第一个),然后将它附近(最小距离之内)的角点都删掉。按着这样的方式最后返回N 个最佳角点。
- <span style="font-size:12px;"># -*- coding: utf-8 -*-
- """
- Created on Mon Jan 20 20:40:25 2014
- @author: duan
- """
- import numpy as np
- import cv2
- from matplotlib import pyplot as plt
- img = cv2.imread('simple.jpg')
- gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
- corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)
- # 返回的结果是[[ 311., 250.]] 两层括号的数组。
- 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()</span>