Shi-Tomasi角點檢測原理【shitomasi 算法原理】

1 原理

Shi-Tomasi算法是對Harris角點檢測算法的改進，一般會比Harris算法得到更好的角點。Harris 算法的角點響應函數(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。后來Shi 和Tomasi 提出改進的方法是，若矩陣M的兩個特征值中較小的一個大于閾值，則認為他是角點，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 λ1 和 λ 2 都大于最小值時，才被認為是角點。

2 實現(xiàn)

在OpenCV中實現(xiàn)Shi-Tomasi角點檢測使用API:

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

參數(shù)：

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

返回：

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

示例：

import numpy as np import cv2 as cvimport matplotlib.pyplot as plt# 1 讀取圖像img = cv.imread('./image/tv.jpg') gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)# 2 角點檢測corners = cv.goodFeaturesToTrack(gray,1000,0.01,10)  # 3 繪制角點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角點檢測')plt.xticks([]), plt.yticks([])plt.show()

結果如下：

總結

1. Harris算法

   思想：通過圖像的局部的小窗口觀察圖像，角點的特征是窗口沿任意方向移動都會導致圖像灰度的明顯變化。

   API: cv.cornerHarris()

2. Shi-Tomasi算法

   對Harris算法的改進，能夠更好地檢測角點

   API: cv2.goodFeatureToTrack()