走进OpenCV-Python 9 Shi-Tomasi 角点检测

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：

http://www.cnblogs.com/Undo-self-blog/p/8423851.html