首页人工智能技术资讯正文

Shi-Tomasi角点检测原理【shitomasi 算法原理】

更新时间:2021-06-04 来源:黑马程序员 浏览量:

1 原理

Shi-Tomasi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 算法的角点响应函数是将矩阵 M 的行列式值与 M 的迹相减,利用差值判断是否为角点。后来Shi 和Tomasi 提出改进的方法是,若矩阵M的两个特征值中较小的一个大于阈值,则认为他是角点,即: R=min(λ1,λ2)R= min(\lambda_1,\lambda_2) 如下图所示:

 Shi-Tomasi角点检测01

从这幅图中,可以看出来只有当 λ1 和 λ 2 都大于最小值时,才被认为是角点。

2 实现

在OpenCV中实现Shi-Tomasi角点检测使用API:

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

参数:

  • Image: 输入灰度图像
  • maxCorners : 获取角点数的数目。
  • qualityLevel:该参数指出最低可接受的角点质量水平,在0-1之间。
  • minDistance:角点之间最小的欧式距离,避免得到相邻特征点。

返回:

  • Corners: 搜索到的角点,在这里所有低于质量水平的角点被排除掉,然后把合格的角点按质量排序,然后将质量较好的角点附近(小于最小欧式距离)的角点删掉,最后找到maxCorners个角点返回。

示例:

import numpy as np import cv2 as cvimport matplotlib.pyplot as plt# 1 读取图像img = cv.imread('./image/tv.jpg') gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)# 2 角点检测corners = cv.goodFeaturesToTrack(gray,1000,0.01,10)  # 3 绘制角点for i in corners:    x,y = i.ravel()    cv.circle(img,(x,y),2,(0,0,255),-1)# 4 图像展示plt.figure(figsize=(10,8),dpi=100)plt.imshow(img[:,:,::-1]),plt.title('shi-tomasi角点检测')plt.xticks([]), plt.yticks([])plt.show()

结果如下:

 Shi-Tomasi角点检测02


总结

  1. Harris算法

    思想:通过图像的局部的小窗口观察图像,角点的特征是窗口沿任意方向移动都会导致图像灰度的明显变化。

    API: cv.cornerHarris()

  2. Shi-Tomasi算法

    对Harris算法的改进,能够更好地检测角点

    API: cv2.goodFeatureToTrack()



猜你喜欢:

线性回归定义和线性回归方程公式

集成学习算法是什么?如何理解集成学习?

什么是KNN算法?

深度相机常见技术:深度相机的相位求解

黑马程序员人工智能培训课程

分享到:
在线咨询 我要报名
和我们在线交谈!