知道了什么是角点检测,后来有大佬在论文《ck》中提出了它的改进版——Shi-角点检测,Shi-方法在很多情况下可以得到比算法更好的结果 。
角点检测中每个窗口的分数公式是将矩阵M的行列式与M的迹相减:
由于角点检测算法的稳定性和k值有关,而k是个经验值,不好设定最佳值 。
Shi-发现,角点的稳定性其实和矩阵M的较小特征值有关,于是直接用较小的那个特征值作为分数 。这样就不用调整k值了 。
所以Shi-将分数公式改为如下形式:
和一样,如果该分数大于设定的阈值,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:
提供了Shi-的函数:cv2.(),来获取图像中前N个最好的角点 。函数原型如下:
goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]])
![SHI-TOMASI角点检测](http://img.gansulong.com/231212/09103442a-0.png)
文章插图
其中的参数如下:
image:输入灰度图像,类型;
:返回角点的最大数目,值为0表表示没有设置最大值限制,返回所有检测到的角点;
:质量系数(小于1.0的正数,一般在0.01-0.1之间),表示可接受角点的最低质量水平 。该系数乘以最好的角点分数(也就是上面较小的那个特征值),作为可接受的最小分数;例如,如果最好的角点分数值为1500且质量系数为0.01,那么所有质量分数小于15的角都将被忽略;
:角之间最小欧式距离,忽略小于此距离的点;
:输出角点坐标;
mask:可选的感兴趣区域,指定想要检测角点的区域;
:默认为3,角点检测的邻域大小(窗口尺寸);
:用于指定角点检测的方法,如果是true则使用角点检测,false则使用Shi 算法 。默认为False;
k:默认为0.04,角点检测时使用 。
设定好这些参数,函数就能在图像上找到角点 。所有低于质量水平的角点都会被忽略,然后再把合格角点按角点质量进行降序排列 。
然后保留质量最高的一个角点,将它附近(最小距离之内)的角点都删掉(类似于非极大值抑制),按这样的方式最后得到 N 个最佳角点 。
代码测试:
import cv2import numpy as npdef test():max_corners = 100quality_level = 0.01min_distance = 10img = cv2.imread('test.jpg')img = cv2.resize(img, (512, 512))gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)corners = cv2.goodFeaturesToTrack(gray, max_corners, quality_level, min_distance)corners = np.int0(corners)for i in corners:x, y = i.ravel()cv2.circle(img, (x, y), 2, (0, 0, 255), -1)cv2.imwrite('out3.jpg', img)
结果:
和Shi-都是基于梯度计算的角点检测方法,Shi-的效果要好一些 。基于梯度的检测方法有一些缺点: 计算复杂度高,图像中的噪声可以阻碍梯度计算 。
想要提高检测速度的话,可以考虑基于模板的方法:FAST角点检测算法 。该算法原理比较简单,但实时性很强 。
相关链接:
1、角点检测算法实现
2、角点检测算法实现
【SHI-TOMASI角点检测】1、扩展阅读-——角点检测原理分析(,Shi-、亚像素级角点检测)
- python实现 Shi-Tomasi角点检测
- 图像特征检测笔记(特征检测基本概念,Harris,Shi-Tomasi
- 2类,含xml标签文件 【表面缺陷检测】钢轨表面缺陷检测数据集介绍
- LabVIEW基于机器视觉的钢轨表面缺陷检测系统
- 带你了解弯曲文本检测算法的两种思路:区域重组和像素分割
- 电脑直播录播转播无人直播去重防检测实时带货技术
- [论文阅读]PKD——基于Pearson相关系数的目标检测器通用蒸馏框架
- 伪装目标检测论文备忘录
- OpenCV之YOLOv2-tiny目标检测
- Enzo Life Sciences HPV E6/E7 检测试剂盒说明书