『youcans 的 OpenCV 例程300篇 - 总目录』

【youcans 的 OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测

角是直线方向的快速变化。角点通常被定义为两条边的交点，或者说角点的邻域应该具有两个不同区域的不同方向的边界。

角是高度有效的特征。角点检测（Corner Detection）广泛应用于运动检测、图像匹配、视频跟踪、三维重建和目标识别。

Shi-Tomas 算法是对 Harris角点检测算法的改进，一般会比Harris算法得到更好的角点。

6.1 哈里斯-斯蒂芬斯角检测器（Harris）

Harris角点检测算法的原理是，通过检测窗口在图像上移动，计算移动前后窗口中像素的灰度变化。角点是两条边的交点，其特征是检测窗口沿任意方向移动都会导致灰度的显著变化。

对于点 (x,y)(x,y)(x,y)，令 w(x,y)w(x,y)w(x,y) 为矩形检测窗口或高斯检测窗口，I(x,y)I(x,y)I(x,y) 是检测窗口在点 (x,y)(x,y)(x,y) 的灰度值，I(x+u,y+v)I(x+u,y+v)I(x+u,y+v) 是检测窗口滑动 (u,v)(u,v)(u,v) 距离之后的灰度值。

计算窗口 w(x,y)w(x,y)w(x,y) 滑动 (u,v)(u,v)(u,v) 距离之后的灰度变化：
E(u,v)=∑x,yw(x,y)[I(x+u,y+v)−I(x,y)]2E(u,v) = \sum _{x,y} w(x,y) [I(x+u, y+v) - I(x,y)]^2 E(u,v)=x,y∑w(x,y)[I(x+u,y+v)−I(x,y)]2
对于很小的位移 (u,v)(u,v)(u,v)，使用一阶泰勒展开进行简化：
E(u,v)=∑x,yw(x,y)[I(x,y)+uIx+vIy+O(u2,v2)−I(x,y)]2≈∑x,yw(x,y)[u2Ix2+2uvIxIy+v2Iy2]≈[u,v]∑x,yw(x,y)[IxIxIxIyIxIyIyIy][uv]\begin{aligned}E(u,v) = &\sum_{x,y} w(x,y) [I(x,y) + uI_x + vI_y +O(u^2,v^2)- I(x,y)]^2 \\\approx & \sum_{x,y} w(x,y) [u^2 I_x^2 + 2uv I_x I_y + v^2 I_y^2] \\\approx & [u,v] \sum_{x,y}w(x,y)\begin{bmatrix}I_x I_x & I_x I_y \\I_x I_y & I_y I_y\end{bmatrix}\begin{bmatrix}u\\v\end{bmatrix}\end{aligned} E(u,v)=≈≈x,y∑w(x,y)[I(x,y)+uIx+vIy+O(u2,v2)−I(x,y)]2x,y∑w(x,y)[u2Ix2+2uvIxIy+v2Iy2][u,v]x,y∑w(x,y)[IxIxIxIyIxIyIyIy][uv]
Ix,IyI_x,I_yIx,Iy 分别是在 x, y 方向的导数，可以由 Sobel 梯度算子求出。

记 M 为梯度的协方差矩阵：
M=∑x,yw(x,y)[IxIxIxIyIxIyIyIy]M =\sum_{x,y} w(x,y)\begin{bmatrix}I_x I_x & I_x I_y \\I_x I_y & I_y I_y\end{bmatrix} M=x,y∑w(x,y)[IxIxIxIyIxIyIyIy]

在几何模型中通过判断两个特征值的大小，来判定像素的属性。矩阵 M 是Ix，IyI_x，I_yIx，Iy 的二次函数，可以表示为椭圆形状，椭圆的长短半轴由矩阵 M 的特征值 λ1，λ2\lambda _1，\lambda _2λ1，λ2 决定，方向由特征向量决定。

定义角点响应函数 R：
R=det(M)−k[trace(M)]2det(M)=λ1∗λ2trace(M)=λ1+λ2\begin{aligned}R =& det(M) - k [trace(M)]^2 \\&det(M) = \lambda _1 * \lambda _2 \\&trace(M) = \lambda _1 + \lambda _2\end{aligned} R=det(M)−k[trace(M)]2det(M)=λ1∗λ2trace(M)=λ1+λ2
k 是调节参数（通常取 0.04~0.06）。

角点响应函数 R 只与矩阵 M 的特征值 λ1，λ2\lambda _1，\lambda _2λ1，λ2 有关，可以用来判断区域是拐角、边缘还是平坦：

λ1，λ2\lambda _1，\lambda _2λ1，λ2 较小时， ∣R∣|R|∣R∣ 较小，即各个方向上灰度基本不变，表明检测器处于平坦区域；
λ1>>λ2\lambda _1 >> \lambda _2λ1>>λ2 或 $ \lambda _2 >> \lambda _1$ 时， R<0R <0R<0 ，即灰度在某个方向变化，但在其正交方向不变化，表明检测器处于边缘区域；
λ1，λ2\lambda _1，\lambda _2λ1，λ2 较大且 λ1∼λ2\lambda _1 \sim \lambda _2λ1∼λ2时， ∣R∣|R|∣R∣ 很大，即灰度在所有方向都发生重大变化，表明检测器包含角点（或孤立点。

6.3 OpenCV 中的 Shi-Tomas 角检测器

Shi-Tomas 算法是对 Harris角点检测算法的改进，一般会比Harris算法得到更好的角点。

Harris 算法中的角点响应函数为：
R=λ1λ2−k(λ1+λ2)2R =\lambda _1 \lambda _2 - k (\lambda _1 + \lambda _2)^2 R=λ1λ2−k(λ1+λ2)2
Shi-Tomas 算法将角点响应函数修改为：
R=min(λ1,λ2)R = min (\lambda _1 , \lambda _2 ) R=min(λ1,λ2)

只有当 M 矩阵的特征值 $ \lambda _1，\lambda _2$ 都大于最小值 λmin\lambda {min}λmin 时，才将其视为拐角。

OpenCV 中提供了 Shi-Tomas 角点检测函数 cv.goodFeaturesToTrack() 。

函数说明：

cv.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners=None, mask=Mat(), blockSize=3, useHarrisDetector=false, k=0.04]) → corners

函数 cv.goodFeaturesToTrack 通过 Shi-Tomasi 方法找出图像中最突出的 N 个角点。

参数说明：

src：输入图像，单通道的 8 位图像或 32 位浮点数图像
corners：输出向量，检测到的角点
maxCorners：获取的角点数量的上限阈值
qualityLevel：可接受的角点质量最低阈值，取值范围 0～1
minDistance：可接受的角点之间最小的欧式距离
mask：掩模区域，仅在掩模区域检测角点
blockSize：邻域尺寸，默认值为 3
k：Harris 检测器调节参数，默认值 0.04
useHarrisDetector ：默认值 False，使用 cornerMinEigenVal 的参数，True 表示使用 Harris 检测器

注意事项：

函数使用 cornerMinEigenVal 或 cornerHarris 计算出每个像素的角点响应结果。
以 qualityLevel 与最大角点值相乘作为最小特征值（cornerMinEigenVal）或响应函数值（cornerHarris），小于该值的角点都被拒绝。例如，最大响应值为 1500，系数为 0.1，则响应值小于 150 的角点都被放弃。
小于 maxDistance 距离的角点被拒绝，以避免得到相邻特征点。

例程 14.21：特征检测之 Shi-tomas 角检测器

    # 14.21 特征检测之 Shi-tomas 角检测器img = cv2.imread("../images/sign04.png", flags=1)  # (300, 300, 3)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Harris 检测角点dst = cv2.cornerHarris(gray, 2, 3, k=0.04)# Harris[dst > 0.01*dst.max()] = [0, 0, 255]  # 筛选角点，红色标记corners = np.column_stack(np.where(dst>0.1*dst.max()))  # 筛选并返回角点坐标 (y,x)corners = corners.astype(np.int)  # 检测到的角点的点集 (y,x), (92, 2)imgHarris = np.copy(img)for point in corners:  # 注意坐标次序cv2.circle(imgHarris, (point[1], point, 4, (0,0,255), 2)  # # 在点 (x,y) 处画圆# Shi-tomas 检测角点corners = cv2.goodFeaturesToTrack(gray, 30, 0.3, 5)  # (30, 1, 2)corners = np.squeeze(corners).astype(np.int)  # (30, 1, 2)->(30,2)  角点坐标 (x,y)imgShiTomas = np.copy(img)for point in corners:cv2.circle(imgShiTomas, point, 4, (0,0,255), 2)  # # 在点 (x,y) 处画圆plt.figure(figsize=(9, 6))plt.subplot(131), plt.axis('off'), plt.title("Origin")plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.subplot(132), plt.axis('off'), plt.title("Harris corners")plt.imshow(cv2.cvtColor(imgHarris, cv2.COLOR_BGR2RGB))plt.subplot(133), plt.axis('off'), plt.title("Shi-tomas corners")plt.imshow(cv2.cvtColor(imgShiTomas, cv2.COLOR_BGR2RGB))plt.tight_layout()plt.show()

【本节完】

版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/125828053)
Copyright 2022 youcans, XUPT
Crated：2022-7-15

238. OpenCV 中的 Harris 角点检测
239. Harris 角点检测之精确定位（cornerSubPix）
240. OpenCV 中的 Shi-Tomas 角点检测

【OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测相关推荐

【OpenCV 例程 300篇】241. 尺度不变特征变换（SIFT）
『youcans 的 OpenCV 例程300篇 - 总目录』 [youcans 的 OpenCV 例程 300篇]241. 尺度不变特征变换(SIFT) 6.4.1 简介尺度不变特征转换算法(Sc ...
【OpenCV 例程 300篇】244. 特征检测之 BRIEF 特征描述
『youcans 的 OpenCV 例程300篇 - 总目录』 [youcans 的 OpenCV 例程 300篇]244. 特征检测之 BRIEF 特征描述 6.7.1 算法简介二进制鲁棒独立的特 ...
【OpenCV 例程300篇】207. Photoshop 色阶自动调整算法
OpenCV 例程200篇总目录 201. 图像的颜色空间转换 202. 查表快速替换(cv.LUT) 203. 伪彩色图像处理 204. 图像的色彩风格滤镜 205. 调节色彩平衡/饱和度/明度 ...
【youcans的OpenCV例程300篇】总目录
版权声明: 转载本系列作品时必须标注以下版权内容: [youcans@qq.com, youcans的OpenCV 例程300篇, https://blog.csdn.net/youcans/cate ...
【OpenCV 例程 300篇】221.加密马赛克图像处理与解密复原
『youcans 的 OpenCV 例程200篇 - 总目录』 [youcans 的 OpenCV 例程 300篇]221.加密马赛克图像处理与解密复原 9. 图像的马赛克处理马赛克效果是广泛使用的 ...
【OpenCV 例程300篇】40. 图像分段线性灰度变换
『youcans 的 OpenCV 例程300篇 - 总目录』 [youcans 的 OpenCV 例程300篇]40. 图像分段线性灰度变换分段线性变换函数可以增强图像各部分的反差,增强感兴趣的灰 ...
【OpenCV 例程 300篇】219. 添加数字水印（盲水印）
OpenCV 例程200篇总目录 [youcans 的 OpenCV 例程 300篇]219. 添加数字水印(盲水印) 8.2 添加数字盲水印数字水印,是指将特征信息嵌入音频.图像或是视频等数字信 ...
【OpenCV 例程 300篇】249. 特征描述之视网膜算法（FREAK）
『youcans 的 OpenCV 例程300篇 - 总目录』 [youcans 的 OpenCV 例程 300篇]249. 特征检测之视网膜算法(FREAK) 1. FREAK 算法简介快速视网膜 ...
【OpenCV 例程300篇】208. Photoshop 对比度自动调整算法
OpenCV 例程200篇总目录 [youcans 的 OpenCV 例程300篇]208. Photoshop 对比度自动调整算法对比度是指图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量 ...

【OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测

【youcans 的 OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测

6.1 哈里斯-斯蒂芬斯角检测器（Harris）

6.3 OpenCV 中的 Shi-Tomas 角检测器

例程 14.21：特征检测之 Shi-tomas 角检测器

【OpenCV 例程 300篇】240. OpenCV 中的 Shi-Tomas 角点检测相关推荐

最新文章

热门文章