J.Shi 和 C.Tomasi在他们的文章《Good_Features_to_Track》中对Harris角点检测的算法做了一个小小的修改,并得到了更好的结果。
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。
输入的图像应该是灰度图像,然后确定你想要检测到的角点数目,然后设置角点的质量水平(0—1之间),低于角点的最低质量的点就会被忽略掉,最后会设置两个角点之间的最短欧氏距离,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。
下面找出棋盘中的25个质量最高的结点:
原图:
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('C:/Users/www12/Desktop/Photo/chessboard.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 返回的结果是 [[]] 两层括号的数组
# gray传入灰度图 25表示质量最高的25个角点
# 0.01表示最低质量 10表示最短欧氏距离
corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)
# int0等价于int64
corners = np.int0(corners)
for i in corners:
# ravel可以将多维数组转化成一维数组
x,y = i.ravel()
# img,背景图
# center,圆心
# radius,半径
# color,颜色
# thickness,线粗细
cv2.circle(img,(x,y),3,255,-1)
# 画出来
plt.imshow(img)
plt.show()
cv2.goodFeaturesToTrack()可以很精确地找到最好地角点,很适合用在目标跟踪中。