《opencv学习》Shi-Tomasi 角点检测

Shi-Tomasi 角点检测 和 Harris 角点检测的很多步骤都是一样的。
Harris 角点检测最后会得到一个相似度函数C，这个函数是一个对称矩阵M，可以将对称矩阵分解得到一个P的逆乘以特征值矩阵乘以P的形式（P是特征向量矩阵，正交的）。
对于一个角点来说， 随着位置的稍微移动，基本上相似度函数都会变化非常大。

如果固定函数E的值，那么后面的式子就是一个椭圆方程。而且M也是个定值，那么就是位置变化量(u, v)才是变化量，也就是说，在某个方向上，移动多少距离，C值就会变多少。移动相同位置，变化的越快的，说明像素差异变化越大，如果移动了很长的一点距离都没有怎么变化（C 值变化不大）那么说明像素值变化相差异不大，而我们希望得到水平和数值俩方向都变化很大的才是角点。

而这种变化程度，椭圆的变化程度，可以用特征值来表示。椭圆上某个方向越短，变化越剧烈，对应的这个特征值越大。椭圆上某个方向越长，变化越缓慢，对应的这个特征值越小。

在Harris算法中，通过下面的式子来判断是不是角点

而在Shi-Tomasi算法中，这点处理不一样，
是通过设置一个阈值λmin来判断是不是角点
如果λ1和λ2都小于λmin，则是平面点
如果只有一个小于，则是直线。
如果λ1和λ2都大于λmin，则是角点。


对比代码展示如下：

import cv2
import numpy as np

# 1.cv2.cornerHarris(img, blocksize, kszie, k)  # 找出图像中的角点
# 参数说明：
# img：是数据类型为float32的输入图像，表示输入的灰度图，
# blocksize：我们检测过程中需要一个窗口，这个就是窗口的大小，W(x,y)
# kszie：运用Sobel算子求解每个像素的梯度。有Ix和Iy方向的。
# k：是角点响应值运算中的α数值，一般推荐是[0.06, 0.06]
img = cv2.imread