OpenCV Python Shi-Tomasi 角点检测器

【目标】

• Shi-Tomasi 角点检测器
• cv2.goodFeaturesToTrack

【理论】

上一个章节中学习了Harris角点，J. Shi and C. Tomasi 做了一些修改，Good Features to Track显示了比Harris角点更好的效果。

Harris 角点检测器分数函数如下:

$$R={\lambda }_1{\lambda }_2-k({\lambda }_1+{\lambda }_2{)}^2$$

而 Shi-Tomasi 用：

$$R=min({\lambda }_1,{\lambda }_2)$$

如果 $R$大于一个阈值，就认为是角点。

如上图，绿色部分的取值就被认为是角点。

【代码】

Harris角点和Shi-Tomasi角点效果对比

import numpy as np 
import cv2

from matplotlib import pyplot as plt

img = cv2.imread("assets/blox.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# #############################################
# harris 角点检测
gray_harris = np.float32(gray)
# dst 为角点相应，并没有直接返回角点位置
dst = cv2.cornerHarris(gray_harris, 2, 3, 0.04)
# 角点响应，消除一些噪声，所以要做膨胀和腐蚀
dst = cv2.dilate(dst, None)
dst = cv2.erode(dst, None)
ret, dst = cv2.threshold(dst, 0.01 * dst.max(), 255, cv2.THRESH_BINARY)
dst = np.uint8(dst)

# 取连通区域
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# print(len(centroids))
# print(centroids)
img_harris = img.copy()
for xy in centroids:
    x, y = int(xy[0]), int(xy[1])
    cv2.circle(img_harris, (x, y), 3, (0, 255, 255), -1)
cv2.imshow("img_harris", img_harris)

###########################################
# shi-Tomasi 角点检测
# corners = cv2.goodFeaturesToTrack(gray, 25, 0.01, 10)
# 这里为了统一对比，也选择56个角点
corners = cv2.goodFeaturesToTrack(gray, 56, 0.01, 10)
corners = np.int0(corners)
img_goodfeatures = img.copy()
for i in corners:
    x, y = i.ravel()
    cv2.circle(img_goodfeatures, (x, y), 3, (0, 0, 255), -1)

cv2.imshow("img_goodfeatures", img_goodfeatures)

cv2.waitKey(0)
cv2.destroyAllWindows()

【接口】

• goodFeaturesToTrack

cv.goodFeaturesToTrack(	image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]]	) ->	corners
cv.goodFeaturesToTrack(	image, maxCorners, qualityLevel, minDistance, mask, blockSize, gradientSize[, corners[, useHarrisDetector[, k]]]	) ->	corners
cv.goodFeaturesToTrackWithQuality(	image, maxCorners, qualityLevel, minDistance, mask[, corners[, cornersQuality[, blockSize[, gradientSize[, useHarrisDetector[, k]]]]]]	) ->	corners, cornersQuality

寻找图像中强的角点

• image: 输入的单通道8位或浮点图像
• corners: 输出的角点列表
• maxCorners: 返回的最多的角点数量，如果检测数量较多，返回最强的那个数量即可。如果要返回所有的，设置为0即可，测试发现设置负数运行报错。
• qualityLevel: 最小可接受角点等级。该参数会与最好的角点响应值相乘，比如说最好的响应为1500，如果设置为0.01，则小于15的角点都不会接受。
• minDistance: 返回的角点之间的最小欧式距离。
• mask: 感兴趣区域
• cornersQuality: 输出角点的质量
• blockSize: 计算梯度和特征值的小窗口
• gradientSize: sobel 梯度窗口直径
• useHarrisDetector: 是否使用 harris 的检测算子
• k: Harris角点检测器的参数

【参考】

1. OpenCV 官方文档
2. Jianbo Shi and Carlo Tomasi. Good features to track. In Computer Vision and Pattern Recognition, 1994. Proceedings CVPR’94., 1994 IEEE Computer Society Conference on , pages 593–600. IEEE, 1994.