harris角点检测_角点检测shitomas

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

本文由知乎作者lowkeyway授权转载，不得擅自二次转载。原文链接：https://zhuanlan.zhihu.com/p/87745981

如果真真得跑过Harris，你肯定会有这样的抱怨：太**的慢了。是的，J.Shi和C.Tomasi也是这么想的，所以，他们俩1994年在其论文“Good Features to Track”中，提出了一种对Harris角点检测算子的改进算法——Shi-Tomasi角点检测算子。

优化思路是什么？

既然是优化，我们先回忆一下Harris怎么做到的？

1. 先上数据集：

2. 从数据集中，引申出来Harris

核心思想是：

• 特征值都比较大时，即窗口中含有角点

• 特征值一个较大，一个较小，窗口中含有边缘

• 特征值都比较小，窗口处在平坦区域

所以，Harris引入了公式：

3. 简化算法

从数据集上看，角点的  都是比较大的，如果我们选择特征值中较小的一个大于最小阈值，是不是也会得到强角点？答案是肯定的。

Harris 算法最原始的定义是将黑塞矩阵  的行列式值与 M 的迹相减，再将差值同预先给定的阈值进行比较。所以shi-tomas提出来的公式就为：

好了，有了Harris做铺垫，shi-tomas就好理解多了。

老规矩，OpenCV也实现了shi-tomas算法：

CV_EXPORTS_W 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 );

(API没有用人名，而是用了他们发表的论文名称，这个纪念也是有意思)

• srcGray,原灰度图像

• corners检测到的角点vector

• maxCorners设置最大角点数

• qualityLevel最小可接受的向量值，常取0.01

• minDistance两点之间的最小距离

• Mat()未设置感兴趣区域

• blockSize计算导数的窗口大小

• useHarrisDetector是否使用Harris角点检测

• k使用Harris角点检测时的k值，使用Harris角点检测时才有意义

好了，就这么多，让我们看看shi-tomas是不是要比Harris快。

C++

#include #include #include #includeusing namespace std;using namespace cv;static bool shiTomas(Mat imgOri);static bool harrisTest(Mat imgOri);RNG rng(12345);int main(){
	Mat imgOri = imread("right13.jpg");if (imgOri.empty())
	{
		cout << "Cannot load this picture!" << endl;return false;
	}
	clock_t start, harrisTime, shiTomasTime;double totaltime;
	Mat imgHarris = imgOri.clone();
	Mat imgShiTomas = imgOri.clone();
	start = clock();
	harrisTest(imgHarris);
	harrisTime = clock();
	shiTomas(imgShiTomas);
	shiTomasTime = clock();
	imshow("imgOri", imgOri);
	cout << "Harris takes [" << (double)(harrisTime - start) / CLOCKS_PER_SEC << "] s" << endl;
	cout << "shiTomas takes [" << (double)(shiTomasTime - harrisTime) / CLOCKS_PER_SEC << "] s" << endl;
	waitKey(0);return true;}static bool harrisTest(Mat imgOri){int blockSize = 2;int apertureSize = 3;double k = 0.04;
	Mat imgGray, imgHarris;//showImgPara(imgGray);	cvtColor(imgOri, imgGray, COLOR_BGR2GRAY);
	imgHarris = Mat::zeros(imgOri.size(), imgOri.type());
	cornerHarris(imgGray, imgHarris, blockSize, apertureSize, k);
	Mat imgDst, imgDstScale;
	imgDst = Mat::zeros(imgHarris.size(), imgHarris.type());
	normalize(imgHarris, imgDst, 0, 255, NORM_MINMAX);
	convertScaleAbs(imgDst, imgDstScale);for (int row = 0; row < imgDstScale.rows; row++)
	{for (int col = 0; col < imgDstScale.cols; col++)
		{int rsp = (int)imgDstScale.at<uchar>(row, col);if (rsp > 85)
			{int b = rng.uniform(0, 256);int g = rng.uniform(0, 256);int r = rng.uniform(0, 256);
				circle(imgOri, Point(col, row), 5, Scalar(b, g, r), 2);
			}
		}
	}
	imshow("imgHarris", imgOri);return true;}static bool shiTomas(Mat imgOri){int maxCorners = 500;double quality_level = 0.01;double minDistance = 0.04;
	Mat imgGray, imgShiTomas;
	cvtColor(imgOri, imgGray, COLOR_BGR2GRAY);
	vector<Point2f> corners;
	goodFeaturesToTrack(imgGray, corners, maxCorners, quality_level, minDistance, Mat(), 3, false);for (int i = 0; i < corners.size(); i++) {int b = rng.uniform(0, 256);int g = rng.uniform(0, 256);int r = rng.uniform(0, 256);
		circle(imgOri, corners[i], 5, Scalar(b, g, r), 3, 8, 0);
	}
	imshow("imgShiTomas", imgOri);return true;}

运行结果

在效果相差不大的情况下，时间还是差别比较大的。

Python:

注意：

1. 获取进程时间的接口：time.process_time()

#!/usr/bin/env python# -*- coding: utf-8 -*-# author：lowkeyway time:10/22/2019import sysimport numpy as npimport cv2 as cvimport timedef shiTomasTest(imgOri):
    maxCorners = 500;
    quality_level = 0.01;
    minDistance = 0.04;
    imgGary = cv.cvtColor(imgOri, cv.COLOR_BGR2GRAY)
    corners = cv.goodFeaturesToTrack(imgGary, maxCorners, quality_level, minDistance)

    for corner in corners:
        b = np.random.randint(0, 256)
        g = np.random.randint(0, 256)
        r = np.random.randint(0, 256)

        cv.circle(imgOri, (int(corner[0][0]), int(corner[0][1])), 2, (int(b), int(g), int(r)), 2)

    cv.imshow("imgShiTomas", imgOri)def harrisTest(imgOri):
    blockSize = 2
    apertureSize = 3
    k = 0.04

    imgGary = cv.cvtColor(imgOri, cv.COLOR_BGR2GRAY)

    imgHarris = cv.cornerHarris(imgGary, blockSize, apertureSize, k)

    imgDst = np.zeros(imgHarris.shape, dtype=np.float32)
    cv.normalize(imgHarris, imgDst, 0, 255, cv.NORM_MINMAX)
    imgDstScale = cv.convertScaleAbs(imgDst)

    for row in range(imgDstScale.shape[0]):
        for col in range(imgDstScale.shape[1]):
            if int(imgDstScale[row, col]) > 85:
                b = np.random.randint(0, 256)
                g = np.random.randint(0, 256)
                r = np.random.randint(0, 256)
                cv.circle(imgOri, (col, row), 2, (int(b), int(g), int(r)), 2)

    cv.imshow("imgHarrisDst", imgOri)def main_func(argv):
    imgOri = cv.imread("right13.jpg")
    if imgOri is None:
        print("Cannot load this picture!")
        return False

    imgHarris = np.copy(imgOri)
    imgShiTomas = np.copy(imgOri)


    start = time.process_time()
    harrisTest(imgHarris)
    harrisTime = time.process_time()
    shiTomasTest(imgShiTomas)
    shiTomasTime = time.process_time()

    print("Harris takes {:.2f} s" .format(harrisTime - start))
    print("Harris takes {:.2f} s" .format(shiTomasTime - harrisTime))
    cv.imshow("imgOri", imgOri)

    cv.waitKey(0)if __name__ == '__main__':
    main_func(sys.argv)

运行结果

时间信息

上述内容，如有侵犯版权，请联系作者，会自行删文。

重磅！3DCVer-学术交流群已成立

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款  圈里有高质量教程资料、可答疑解惑、助你高效解决问题