OpenCV学习笔记-Shi-Tomasi角点检测

一、原理

我们知道Harris角点检测的打分公式为：Harris角点检测

R = λ1λ2 - k(λ1 + λ2)²

但是Shi-Tomasi使用的打分函数为：

R = min(λ1， λ2)

如果打分超过阈值，我们就认为它是一个角点。我们可以把它绘制到λ1~λ2空间中，就会得到下图：

从这幅图中，我们可以看出来只有当λ1和λ2都大于最小值时，才被认为是角点（绿色区域）。

二、函数及代码

OpenCV提供了函数cv.goodFeaturesToTrack()。这个函数可以帮助我们使用Shi-Tomasi方法获取图像中的N个最好的角点。

goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, corners=None, mask=None, blockSize=None, useHarrisDetector=None, k=None)

image：输入图像，一般是灰度图像。

maxCorners: 想要检测到的角点数目。

qualtyLevel: 角点的质量水平，0-1之间。

它代表了角点的最低质量，实际用于过滤角点的最小特征值是qualtyLevel与图像中最大特征值的乘积，所以 qualtyLevel的值不应超过1（常用的值为0.1或0.01）。低于这个值的所有角点都会被忽略。

minDistance: 两个角点之间的最短欧式距离。

mask: 是一幅像素值为布尔类型的像素，用于指定输入图像中蚕吐角点计算的像素点。

blockSize：计算导数的自相关矩阵时指定点的领域，默认为3，采用小窗口计算的结果比单点（也就是blockSize为1）计算的效果要好。

useHarrisDetector: 默认值为0，若非0，则函数使用Harris的角点定义

K：当 useHarrisDetector非0，则K为用于设置hessian自相关矩阵即对hessian行列式的相对权值的权值系数。

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，然后将它附近（最小距离之内）的角点都删掉。按照这样的方式最后返回N个最佳角点。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltimg = cv.imread('img/blox.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)corners = cv.goodFeaturesToTrack(gray, 40, 0.01, 10)
'''
goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, corners=None, mask=None, blockSize=None, useHarrisDetector=None, k=None)
imgae : 灰度图像
maxCorners： 你想要检测到的角点的数目
qualityLevel： 角点的质量水平，取值范围【0-1】，他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
minDistance： 两个角点之间的最短欧氏距离
'''
#int0 直接把小数后面抛弃取整，并不是四舍五入
corners = np.int0(corners)
print(len(corners))
for i in corners:x, y = i.ravel()cv.circle(img, (x, y), 3, 255, -1)cv.namedWindow('img',cv.WINDOW_AUTOSIZE)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

可以看出，比Harris角点检测的效果好了很多