图像特征：Shi-Tomasi 角点检测算法

00&00

于 2025-03-05 22:14:34 发布

阅读量1k

点赞数 31

分类专栏：人工智能计算机视觉文章标签：计算机视觉 opencv 人工智能

本文链接：https://blog.youkuaiyun.com/Wei_sx/article/details/146054489

版权

人工智能同时被 2 个专栏收录

223 篇文章

订阅专栏

计算机视觉

62 篇文章

订阅专栏

Shi-Tomasi 算法是一种用于在图像中寻找“好的跟踪特征”的角点检测算法。它是 Harris 角点检测算法的改进版本，在某些情况下比 Harris 算法更稳定。

1.原理

与 Harris 算法类似，Shi-Tomasi 算法也基于图像的梯度信息。但与 Harris 算法使用角点响应函数 R = det(M) - k*(trace(M))^2 不同，Shi-Tomasi 算法直接使用矩阵 M 的最小特征值 λmin 作为角点响应值。

算法认为，当 λmin 大于某个阈值时，该点被认为是好的角点。这里的 M 矩阵和 Harris 算法中的定义相同：

 M = | Σ Gx*Gx   Σ Gx*Gy |
     | Σ Gx*Gy   Σ Gy*Gy |

其中 Σ 表示在以该像素点为中心的邻域内求和，Gx 和 Gy 分别是图像在 x 和 y 方向上的梯度。

2. 算法步骤

步骤1 计算图像梯度:与 Harris 算法相同，计算图像在 x 和 y 方向上的梯度 (Gx 和 Gy)。
步骤2 计算梯度乘积:计算 Gx\*Gx, Gy\*Gy 和 Gx\*Gy。
步骤3 高斯滤波:对梯度乘积进行高斯滤波，以减少噪声的影响。
步骤4 计算最小特征值: 对于每个像素点，计算矩阵 M 的最小特征值 λmin。
步骤5 阈值处理: 将 λmin 的值与一个阈值进行比较。如果 λmin 的值大于阈值，则该像素点被认为是角点。
步骤6 非极大值抑制: 对检测到的角点进行非极大值抑制，以消除重复的角点。

3. 函数

OpenCV 提供了 `cv2.goodFeaturesToTrack()` 函数来实现 Shi-Tomasi 角点检测。

corners = cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, mask, blockSize, useHarrisDetector, k)

         `image`: 输入图像，必须是灰度图像。
        `maxCorners`: 要检测的最大角点数量。如果设置为 0，则检测所有符合条件的角点。
        `qualityLevel`: 角点质量等级。它是角点响应值的乘数，用于设置阈值。只有大于 `qualityLevel * best_corner_response` 的角点才会被保留，其中 `best_corner_response` 是图像中最佳角点响应值。
        `minDistance`: 角点之间的最小距离。如果两个角点之间的距离小于 `minDistance`，则只保留响应值最高的角点。
        `mask`: 可选参数，用于指定感兴趣区域 (ROI)。只有在 ROI 内的像素点才会被检测。
        `blockSize`: 用于计算角点响应函数的邻域大小。
        `useHarrisDetector`: 可选参数，用于指定是否使用 Harris 角点检测算法。如果设置为 `True`，则使用 Harris 算法；如果设置为 `False` (默认值)，则使用 Shi-Tomasi 算法。
        `k`: 如果 `useHarrisDetector` 设置为 `True`，则此参数是 Harris 角点检测算法中的自由参数 k。
        `corners`: 返回的角点坐标，是一个 NumPy 数组，形状为 `(N, 1, 2)`，其中 N 是检测到的角点数量。

4. 特点

        比 Harris 算法更稳定:** 在某些情况下，Shi-Tomasi 算法比 Harris 算法更稳定，能够检测到更可靠的角点。
        参数更直观: `qualityLevel` 和 `minDistance` 等参数更直观，更容易调整。
        计算效率高: 算法计算速度较快，适用于实时应用。
        良好的跟踪特征: 检测到的角点通常是良好的跟踪特征，可以用于物体跟踪等应用。

5. 应用

        物体跟踪: 在视频中跟踪物体的运动。
        运动估计: 估计视频中物体的运动。
        视频拼接: 将多段视频拼接成一段更长的视频。
        三维重建: 利用角点信息进行三维重建。
        机器人导航: 在机器人导航中使用角点信息进行定位和地图构建。

6. 代码示例

以下是一个使用 OpenCV 实现 Shi-Tomasi 角点检测的示例代码：

import cv2  
import numpy as np  

# 1. 读取图像  
img = cv2.imread('./image/tv.jpg') # 替换为你的图像文件名  
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

# 2. Shi-Tomasi 角点检测  
corners = cv2.goodFeaturesToTrack(gray, maxCorners=1000, qualityLevel=0.01, minDistance=10)  

# 3. 绘制角点  
if corners is not None:  
    corners = np.int0(corners)  # 将角点坐标转换为整数  
    for i in corners:  
        x, y = i.ravel()  
        cv2.circle(img, (x, y), 3, (0, 0, 255), -1) # BGR 颜色空间  

# 4. 显示结果  
cv2.imshow('Shi-Tomasi Corners', img)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

7. 代码解释

        读取图像和灰度转换: 读取图像，并将其转换为灰度图像。
        Shi-Tomasi 角点检测: 调用 `cv2.goodFeaturesToTrack()` 函数进行角点检测。
                `gray`: 输入的灰度图像。
                `maxCorners=25`: 最多检测 25 个角点。
                `qualityLevel=0.01`: 角点质量等级设置为 0.01。
                `minDistance=10`: 角点之间的最小距离设置为 10 像素。
        绘制角点: 将检测到的角点在图像上绘制出来。
        显示结果: 显示带有角点标记的图像。

8. 总结

Shi-Tomasi 角点检测是一种优秀的角点检测算法，特别适合于需要跟踪特征的应用。它通过计算矩阵 M 的最小特征值来确定角点，并且具有比 Harris 算法更稳定的特性。通过调整 `maxCorners`、`qualityLevel` 和 `minDistance` 等参数，可以控制角点检测的数量和质量。 `cv2.goodFeaturesToTrack()` 函数是 OpenCV 中实现 Shi-Tomasi 角点检测的便捷工具。