快捷導(dǎo)航

OpenCV圖像特征提取之Shi-Tomasi角點(diǎn)檢測算法詳解

更新時間：2022年09月16日 09:07:10 作者：肖愛Kun

Harris角點(diǎn)檢測算法就是對角點(diǎn)響應(yīng)函數(shù)R進(jìn)行閾值處理，Shi-Tomasi原理幾乎和Harris一樣的，只不過最后計算角點(diǎn)響應(yīng)的公式發(fā)生了變化。本文將和大家詳細(xì)說說Shi-Tomasi角點(diǎn)檢測算法的原理與實(shí)現(xiàn)，需要的可以參考一下

一.Shi-Tomasi 角點(diǎn)檢測算法

Harris角點(diǎn)檢測基本數(shù)學(xué)公式如下：

泰勒公式進(jìn)行展開后，近似為:

對于局部微小的移動量[u,v]，可以近似得到下面的表達(dá):

其中M為2*2的矩陣，可由圖像的導(dǎo)數(shù)求得：

矩陣M,將其對角化之后，特征值λ1, λ2 分別代表了X 和Y 方向的灰度變化率.

E(u,v)的橢圓形式如下：

Harris角點(diǎn)檢測算法的角點(diǎn)響應(yīng)函數(shù)為：

Harris角點(diǎn)檢測算法就是對角點(diǎn)響應(yīng)函數(shù)R進(jìn)行閾值處理：R > threshold，即提取R的局部極大值。shi-Tomasi 算法是基于Harris 算法進(jìn)行的改進(jìn)，Harris算法最基礎(chǔ)的數(shù)學(xué)定義是將矩陣 M 的行列式值與矩陣 M 的跡相減，再將差值與預(yù)先給定的閾值進(jìn)行比較。若兩個特征值中較小的一個大于最小閾值，則會得到強(qiáng)角點(diǎn)，這就是Shi-Tomasi角點(diǎn)檢測算法。

Shi-Tomasi角點(diǎn)檢測算法的角點(diǎn)響應(yīng)函數(shù)為：

Shi-tomasi角點(diǎn)檢測和Harris 算法一樣，如果該分?jǐn)?shù)大于設(shè)定的閾值，我們就認(rèn)為它是一個角點(diǎn)?？梢钥闯鰜碇挥挟?dāng) λ1 和 λ 2 都大于最小值時，才被認(rèn)為是角點(diǎn)，即下圖中的紫色區(qū)域。

二.Shi-Tomasi角點(diǎn)檢測API函數(shù)接口

void goodFeaturesToTrack
(            InputArray image, 
             OutputArray corners,
             int maxCorners, 
             double qualityLevel, 
             double minDistance,
             InputArray mask=noArray(), 
             int blockSize=3,
             bool useHarrisDetector=false, 
             double k=0.04 );

參數(shù)說明：

第一個參數(shù)image：輸入圖像，8位或浮點(diǎn)32比特，單通道圖像；

第二個參數(shù)corners：輸出參數(shù)，檢測到的角點(diǎn)；表示返回角點(diǎn)的數(shù)目，如果檢測出來角點(diǎn)數(shù)目大于最大數(shù)目則返回響應(yīng)值最強(qiáng)前規(guī)定數(shù)目；

第三個參數(shù)corner_count：輸出參數(shù)，檢測到的角點(diǎn)數(shù)目；

第四個參數(shù)quality_level：最大最小特征值的乘法因子。定義可接受圖像角點(diǎn)的最小質(zhì)量因子；

第五個參數(shù)min_distance：限制因子。得到的角點(diǎn)的最小距離；使用 Euclidian 距離；

第六個參數(shù)mask：ROI感興趣區(qū)域。函數(shù)在ROI中計算角點(diǎn)；如果 mask 為 NULL，則選擇整個圖像；

第七個參數(shù)block_size: 是計算導(dǎo)數(shù)的自相關(guān)矩陣時指定點(diǎn)的領(lǐng)域，采用小窗口計算的結(jié)果比單點(diǎn) （也就是block_size為1）計算的結(jié)果要好；

第八個參數(shù)useHarrisDetector：當(dāng)use_harris的值為非0，則函數(shù)使用Harris的角點(diǎn)定義；若為 0，則使用Shi-Tomasi的定義；

第九個參數(shù)K：用于設(shè)置Hessian自相關(guān)矩陣即對Hessian行列式的相對權(quán)重的權(quán)重系數(shù)；

代碼實(shí)現(xiàn)

#include"stdafx.h"
#include <opencv2/opencv.hpp>
#include <iostream>
 
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
#define WIN_NAME "Shi-Tomasi角點(diǎn)檢測"
 
Mat srcImage, grayImage;
int maxCornerNumber = 33;
int maxTrackbarNumber = 500;
RNG rng(12345);
 
void on_GoodFeatureToTrack(int, void *)
{
    if (maxCornerNumber <= 1)
    {
        maxCornerNumber = 1;
    }
    //Shi-Tomasi參數(shù)準(zhǔn)備
    vector<Point2f> corners;
    double qualityLevel = 0.01; //角點(diǎn)檢測可以接受的最小特征值
    double minDistance = 10; //角點(diǎn)間的最小像素距離設(shè)置
    int blockSize = 3;  //計算導(dǎo)數(shù)自相關(guān)矩陣時指定的領(lǐng)域范圍
    double k = 0.04;   //權(quán)重系數(shù)
 
    Mat copy = srcImage.clone(); //復(fù)制原圖到一個臨時變量中，作為感興趣區(qū)域
                                 //Shi-Tomasi Test
    goodFeaturesToTrack(grayImage, corners, maxCornerNumber, qualityLevel, minDistance, Mat(), blockSize, false, k);
 
    //輸出文字信息
    cout << ">此次檢測到的角點(diǎn)數(shù)量為： " << corners.size() << endl;
 
    //繪制檢測到的角點(diǎn)
    for (unsigned int i = 0; i < corners.size(); i++)
    {
        circle(copy, corners[i], 5, Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)), -1, 8, 0);
    }
 
    imshow(WIN_NAME, copy);
}
 
int main(int argc, char** argv)
{
    srcImage = imread("F:/photo/lj.jpg");
    cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
 
    namedWindow(WIN_NAME, WINDOW_AUTOSIZE);
 
    createTrackbar("最大角點(diǎn)數(shù)：", WIN_NAME, &maxCornerNumber, maxTrackbarNumber, on_GoodFeatureToTrack);
 
    //imshow(WIN_NAME, srcImage);
 
 
    on_GoodFeatureToTrack(0, 0);
 
 
    waitKey(0);
    return 0;
}

圖像處理效果