前言
本节将要介绍另一个角点检测技术:Shi-Tomasi 焦点检测
原理
上一节介绍了 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。可以把它绘制到 λ 1 ~λ 2 空间中,就会得到下图:
从这幅图中,我们可以看出来只有当 λ 1 和 λ 2 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。
在下面的例子中,试着找出 25 个最佳角点:
import cv2
import numpy as np
filename = 'box.png'
img = cv2.imread(filename)
cv2.imshow('orginal',img)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#参数image要处理的图像,maxCorners返回的最佳角点个数,qualityLevel角点质量,
# minDistance角点间最短欧式距离,
corners = cv2.goodFeaturesToTrack(image=gray,maxCorners=25,
qualityLevel=0.01,minDistance=10,)
#print(corners)
for i in corners:
x,y = i.ravel()
cv2.circle(img,(x,y),10,100,-1)
cv2.imshow('corners',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果:
参考: