目标
在本章中，将学习另一个角点检测器：
- Shi-Tomasi拐角检测器
- 函数：
cv2.goodFeaturesToTrack()
理论
在上一章中，学习了Harris Corner Detector。1994年下半年，J.Shi和C. Tomasi在论文《Good Features to Track》中做了一个小修改，与Harris Harris Detector相比，展示了更好的结果。哈里斯角落探测器的计分功能由下式给出：
R = λ 1 λ 2 − k ( λ 1 + λ 2 ) 2 R = \lambda_1 \lambda_2 - k(\lambda_1+\lambda_2)^2 R=λ1λ2−k(λ1+λ2)2
取而代之的是，C. Tomasi提出：
R = m i n ( λ 1 , λ 2 ) R=min(\lambda_1, \lambda_2) R=min(λ1,λ2)
如果大于阈值，则将其视为拐角。如果像在Harris Corner Detector中那样在 λ 1 − λ 2 \lambda_1-\lambda_2 λ1−λ2 空间中绘制它，则会得到如下图像：
从图中可以看到，只有当 λ 1 \lambda_1 λ1 和 λ 2 \lambda_2 λ2 大于最小值 λ m i n \lambda_{min} λmin时，才将其视为拐角（绿色区域）。
代码
OpenCV有一个函数cv2.goodFeaturesToTrack()。它通过Shi-Tomasi方法（或哈里斯角检测，如果指定的话）找到图像中的N个最强角。像往常一样，图像应该是灰度图像。然后，指定要查找的角的数量。然后，指定质量级别，该值是介于0-1之间的值，该值表示每个角落都被拒绝的最低拐角质量。然后，提供检测到的角之间的最小欧式距离。
利用所有这些信息，该函数可以找到图像中的拐角，低于平均质量的所有拐角点均被拒绝。然后，会根据质量以降序的方式对剩余的角进行排序。然后函数首先获取最佳拐角，然后丢弃最小距离范围内的所有附近拐角，然后返回N个最佳拐角。
corners = cv.goodFeaturesToTrack( image, maxCorners, qualityLevel, minDistance, mask, blockSize, gradientSize[, corners[, useHarrisDetector[, k]]] )
- image 输入单通道图片
- corners 输出的角点结果
- maxCorners 最大的角点数量 maxCorners <= 0表示不限制
- qualityLevel 最小的能接受的质量分数For example, if the best corner has the quality measure = 1500, and the qualityLevel=0.01 , then all the corners with the quality measure less than 15 are rejected.
- minDistance 返回的角落之间的最小可能的欧几里德距离
- mask 可选的兴趣区域。如果图像不为空（需要具有类型CV_8UC1和与图像相同的大小），则指定检测到角落的区域
- blockSize 用于计算每个像素邻域的衍生协变矩阵的平均块的大小
- useHarrisDetector 参数指示是否使用Harris检测器
- 哈里斯检测器的免费参数
在下面的示例中，将尝试找到24个最佳角点：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('shi.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray, 24, 0.01, 10) # 四个参数，图像，个数，分数，距离
corners = np.int0(corners)
for i in corners:
x, y = i.ravel()
cv2.circle(img, (x,y), 3, 255, -1)
plt.imshow(img)
plt.show()
