94.Shi-Tomasi角点检测

目录

        1 概念

        2 原理

        3 函数详解

        4 用C++编写代码进行实现

        1 概念

Shi-Tomasi算子是Harris算子的改进版本，该算子是1994年J.Shi和C.Tomasi在其论文“Good Features to Track”中提出的。 Shi-Tomasi 方法在很多情况下可以得到比 Harris 算法更好的结果。

        2 原理

        在上一节中，我们讲过了Harris角点检测算法的原理，现在我们可以回忆一下，在harris角点检测算法中，最后求得的响应函数：

        我们根据这个式子中的两个特征值的大小，去求得响应系数，最后根据响应系数的值去判断该点是不是角点，这样就导致Harris角点检测算法的稳定性与k值有关，而k值是一个经验值，不容易设定最佳值。

        Shi和Tomasi发现，角点的稳定性其实和矩阵M的较小特征值有关，于是直接用较小的那个特征值作为判断条件，这样就不用调整k值了。

因此， Shi-Tomasi将判断公式改为：

        和Harris一样，如果该分数大于设定的阈值，我们就认为它是一个角点。这就是Shi-Tomasi角点检测原理。

        3 函数详解

        OpenCV库提供了cv::goodFeaturesToTrack函数来实现Shi-Tomasi角点检测。该函数的详细参数如下：

void goodFeaturesToTrack(InputArray image, OutputArray corners,

                         int maxCorners, double qualityLevel, double minDistance,

                         InputArray mask = noArray(), int blockSize = 3,

                         bool useHarrisDetector = false, double k = 0.04);

image: 输入图像，必须是单通道灰度图像。

corners: 输出的角点位置。

maxCorners: 最多返回的角点数量。

qualityLevel: 角点的最小可接受质量水平，范围为0到1。

minDistance: 检测到的角点之间的最小欧氏距离。

mask: 可选参数，用于限制检测区域的掩码图像。

blockSize: 计算每个像素点导数的窗口大小。

useHarrisDetector: 是否使用Harris角点检测方法。默认为false，即使用Shi-Tomasi方法。

k: 可选参数，当使用Harris检测器时，表示该检测器的自由参数k。

        4 用C++编写代码进行实现

        下面是使用OpenCV库进行Shi-Tomasi角点检测的示例代码：

#include <opencv2/opencv.hpp>
#include<iostream>
    int main()
{
    cv::Mat image = cv::imread("home.jpg");
    cv::Mat gray;

    cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);
 
    std::vector<cv::Point2f>corners;

    // 调用goodFeaturesToTrack函数进行角点检测
    cv::goodFeaturesToTrack(gray, corners, 100, 0.01, 10);

    // 在图像上绘制检测到的角点
    for (int i = 0; i < corners.size(); i++)
    {
        cv::circle(image, corners[i], 5, cv::Scalar(0,0,255),2);
    }

    cv::imshow("Corner Detection", image);
    cv::waitKey(0);

    return 0;
}