版权声明：本文由 Micheal 超 博客 创作，未经博主允许不得转载。 https://blog.csdn.net/qq_42887760/article/details/86628640
- J.Shi和C.Tomasi在1994年在其论文“Good Features to Track”中，提出了一种对Harris角点检测算子的改进算法——Shi-Tomasi角点检测算子，可以看到，Opencv中函数goodFeaturesToTrack就是直接取自他们论文的名字。
- 在了解Shi-Tomasi角点检测理论之前，读者最好需要了解一下 Harris角点检测 理论的相关知识
Shi-Tomasi角点检测理论
- 跟Harris角点检测的理论几乎完全一致，唯一不同的是在使用矩阵 特征值 1 2 计算角度响应的时候。
- Harris角点检测 时候计算角点响应时候使用的公式
- Shi-Tomasi角点检测 时候计算角点响应时使用的公式：
如果 R 值超过阈值，我们就认为它是一个角点。我们可以把它绘制到λ1~λ2空间中，就会得到下图
从这幅图中，我们可以看出来只有当λ1和λ2都大于最小值时，才被认为是角点（绿色区域）。
API参数说明
opencv提供了goodFeaturesToTrack函数用来实现Shi-Tomasi算子,goodFeaturesToTrack有比cornerHarris更多的控制参数，其API函数接口为：
void goodFeaturesToTrack( // Shi-Tomasi角点检测
InputArray image, // 灰度图像
OutputArray corners, // 检测出来的角点在输入图像的Point
int maxCorners, // -maxCorners 表示返回角点的数目，如果检测出来的角点数目大于最大数目则返回响应值最强前maxCorners数目。
double qualityLevel, // -qualityLevel表示最小可接受的向量值1500， 0.01， 15
double minDistance, // -minDistance两个角点之间的最小距离（欧几里得距离）
InputArray mask = noArray(),
int blockSize = 3, // -blockSize 计算导数微分不同的窗口大小
bool useHarrisDetector = false, // -useHarrisDetector是否使用Harris角点检测，设置为false的时候 下一个参数 k 无效
double k = 0.04 // 最好 0.04~0.06
);
- 第一个参数image：输入图像，须为8位或浮点型32位单通道图像。
- 第二个参数corners：位置点向量，保存的是检测到的角点的坐标；
- 第三个参数maxCorners：定义可以检测到的角点的数量的最大值；
- 第四个参数qualityLevel ：double类型，角点检测可接受的最小特征值。其实际用于过滤角点的最小特征值是qualityLevel与图像中最大特征值的乘积。所以qualityLevel通常不会超过1（常用的值为0.10或者0.01）。而检测完所有的角点后，还要进一步剔除掉一些距离较近的角点。
- 第五个参数minDistance：两个角点间最小间距，以像素为单位；此参数用于保证返回的焦点之间的距离不小于minDistance个像素。
- 第六个参数mask：可选参数，表示感兴趣区域，有默认值noArray()。指定检测区域，若检测整幅图像，mask置为空Mat()；
- 第七个参数blockSize ：int类型，有默认值3，计算协方差矩阵时窗口大小；
- 第八个参数useHarrisDetector ：bool类型，默认值false，是否使用Harris角点检测，为false，则使用Shi-Tomasi算子；
- 第九个参数k ：double类型，有默认值0.04，为用于设置Hessian自相关矩阵行列式的相对权重的权重系数，一般取经验值0.04~0.06。第八个参数为false时，该参数不起作用；
程序代码
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int num_corners = 25;
int max_corners = 200;
const char* output_title = "ShiTomasi Detector";
Mat src, gray_src;
RNG rng(12345);
void ShiTomasi_Demo(int, void*);
int main(int argc, char** argv) {
src = imread("E:/Experiment/OpenCV/Pictures/ShiTomasiTest.jpg");
if (src.empty()) {
printf("could not load image...\n");
return -1;
}
namedWindow("input image", CV_WINDOW_AUTOSIZE);
imshow("input image", src);
cvtColor(src, gray_src, COLOR_BGR2GRAY);
namedWindow(output_title, CV_WINDOW_AUTOSIZE);
createTrackbar("Num Corners:", output_title, &num_corners, max_corners, ShiTomasi_Demo);
ShiTomasi_Demo(0, 0);
waitKey(0);
return 0;
}
void ShiTomasi_Demo(int, void*) {
if (num_corners < 5) {
num_corners = 5;
}
vector<Point2f> corners;
double qualityLevel = 0.01;
double minDistance = 10;
int blockSize = 3;
bool useHarris = false;
double k = 0.04;
Mat resultImg = gray_src.clone();
cvtColor(resultImg, resultImg, COLOR_GRAY2BGR);// 让原图灰度，角点彩色
// opencv中的所有函数都有对应的 cv 开头的函数，那是没有使用命名空间时使用的，函数作用一致
// shi-tomasi 角点检测，运算速度比harris角点检测要快很多，但是harris找出的角点比ShiTomasi要多。不过ShiTomasi的检测结果是能接受的
goodFeaturesToTrack(gray_src, corners, num_corners, qualityLevel, minDistance, Mat(), blockSize, useHarris, k);
printf("Number of Detected Corners: %d\n", corners.size());
for (size_t t = 0; t < corners.size(); t++) {
circle(resultImg, corners[t], 2, Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)), 2, 8, 0);
}
imshow(output_title, resultImg);
}
运行截图
