除了利用Harris进行角点检测外,还可以利用Shi-Tomasi方法进行角点检测。Shi-Tomasi算法是Harris算法的改进。OpenCV实现此算法的函数名为goodFeaturesToTrack,这是因为概算子是1994年在文章《Good Features to Track》中被提出的。
确定图像强角点:goodFeaturesToTrack()函数
goodFeaturesToTrack()函数结合了Shi-Tomasi算子,用于确定图像的强角点,函数原型:
void goodFeaturesTrack(InputArray image, OutputArray corner, int maxCorners, double qualityLeval, double minDistance, Inputarray mask=noArray, int blockSize=3, bool useHarrisDetector=false, double k=0.4)
- 第一个参数:InputArray类型的image,输入图像,需要是8位或者浮点型32位的单通道图像。
- 第二个参数:OutputArray类型的corners,检测到是角点的输出向量。
- 第三个参数:角点的最大数量。
- 第四个参数:double类型的maxCorners,角点检测可接受的最小特征值,通常不会超过1,常用的值是0.1或0.01.
- 第五个参数:double类型的minDistance,角点之间的最小距离,此参数用于保证返回的角点之间的距离不小于minDistance个像素。
- 第六个参数:InputArray类型的mask,可选参数,表示感兴趣区域,默认是noArray(),用于指定角点检测区域。
- 第七个参数:int类型的blockSize,默认值是3,计算导师自相关矩阵时指定的邻域范围。
- 第八个参数:bool类型的useHarrisDetector,默认时false,表示是否用harris角点检测。
- 第九个参数:double类型的k,默认值时0.04,用于设置Hessian自相关矩阵行列式的相对权重的权重系数。
此外,goodFeaturesToTrack()函数可用来初始化一个基于点的对象跟踪操作。
代码示例:
#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
int main() {
int maxCornerNumber = 50;
Mat srcImage, grayImage;
srcImage = imread("/Users/dwz/Desktop/cpp/1.jpg");
cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
vector<Point2f> corners;
double qualityLevel = 0.01;
double minDistance = 10;
int blockSize = 3;
double k = 0.04;
Mat copy = srcImage.clone();
goodFeaturesToTrack(grayImage,
corners, // 输入图像
maxCornerNumber, // 检测到的角点
qualityLevel, // 角点的最大角点数量
minDistance, //
Mat(),
blockSize,
false,
k);
int r = 4;
for (unsigned int i=0; i<corners.size(); i++)
{
circle(copy, corners[i], r, Scalar(0, 0, 255), -1, 8, 0);
}
imwrite("corner.jpg", copy);
return 0;
}
输入:
输出: