Shi-Tomasi角點(diǎn)檢測(cè)原理和實(shí)現(xiàn)代碼

1 原理

Shi-Tomasi算法是對(duì)Harris角點(diǎn)檢測(cè)算法的改進(jìn)，一般會(huì)比Harris算法得到更好的角點(diǎn)。Harris 算法的角點(diǎn)響應(yīng)函數(shù)是將矩陣 M 的行列式值與 M 的跡相減，利用差值判斷是否為角點(diǎn)。后來Shi 和Tomasi 提出改進(jìn)的方法是，若矩陣M的兩個(gè)特征值中較小的一個(gè)大于閾值，則認(rèn)為他是角點(diǎn)，即： $R= min(\lambda_1,\lambda_2)$ 如下圖所示：

從這幅圖中，可以看出來只有當(dāng) λ1 和 λ 2 都大于最小值時(shí)，才被認(rèn)為是角點(diǎn)。

2 實(shí)現(xiàn)

在OpenCV中實(shí)現(xiàn)Shi-Tomasi角點(diǎn)檢測(cè)使用API:

corners = cv2.goodFeaturesToTrack ( image, maxcorners, qualityLevel, minDistance )

參數(shù)：

• Image: 輸入灰度圖像
• maxCorners : 獲取角點(diǎn)數(shù)的數(shù)目。
• qualityLevel：該參數(shù)指出最低可接受的角點(diǎn)質(zhì)量水平，在0-1之間。
• minDistance：角點(diǎn)之間最小的歐式距離，避免得到相鄰特征點(diǎn)。

返回：

• Corners: 搜索到的角點(diǎn)，在這里所有低于質(zhì)量水平的角點(diǎn)被排除掉，然后把合格的角點(diǎn)按質(zhì)量排序，然后將質(zhì)量較好的角點(diǎn)附近（小于最小歐式距離）的角點(diǎn)刪掉，最后找到maxCorners個(gè)角點(diǎn)返回。

示例：

import numpy as np 
import cv2 as cv
import matplotlib.pyplot as plt
# 1 讀取圖像
img = cv.imread('./image/tv.jpg') 
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 2 角點(diǎn)檢測(cè)
corners = cv.goodFeaturesToTrack(gray,1000,0.01,10)  
# 3 繪制角點(diǎn)
for i in corners:
    x,y = i.ravel()
    cv.circle(img,(x,y),2,(0,0,255),-1)
# 4 圖像展示
plt.figure(figsize=(10,8),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title('shi-tomasi角點(diǎn)檢測(cè)')
plt.xticks([]), plt.yticks([])
plt.show()

結(jié)果如下：

總結(jié)

1. Harris算法

   思想：通過圖像的局部的小窗口觀察圖像，角點(diǎn)的特征是窗口沿任意方向移動(dòng)都會(huì)導(dǎo)致圖像灰度的明顯變化。

   API: cv.cornerHarris()

2. Shi-Tomasi算法

   對(duì)Harris算法的改進(jìn)，能夠更好地檢測(cè)角點(diǎn)

   API: cv2.goodFeatureToTrack()