前言
角點通常被定義為兩條邊的交點,或者說,角點的局部鄰域應該具有兩個不同區(qū)域的不同方向的邊界。角點檢測(Corner Detection)是計算機視覺系統(tǒng)中獲取圖像特征的一種方法,廣泛應用于運動檢測、圖像匹配、視頻跟蹤、三維重建和目標識別等,也可稱為特征點檢測。
角點檢測算法的基本思想:
使用一個固定窗口在圖像上進行任意方向上的滑動,比較滑動前與滑動后兩種情況,窗口中的像素灰度變化程度,如果存在任意方向上的滑動,都有著較大灰度變化,那么我們可以認為該窗口中存在角點。
目前,角點檢測算法還不是十分完善,許多算法需要依賴大量的訓練集和冗余數據來防止和減少錯誤的特征的出現。對于角點檢測算法的重要評價標準是:其對多幅圖像中相同或者相似特征的檢測能力,并且能夠應對光照變化、或者圖像旋轉等影響。
關于角點的具體描述可以有幾種:
- 一階導數(即灰度的梯度)的局部最大所對應的像素點;
- 兩條及兩條以上邊緣的交點;
- 圖像中梯度值和梯度方向的變化速率都很高的點;
- 角點處的一階導數最大,二階導數為零,指示物體邊緣變化不連續(xù)的方向
上一篇博客介紹了Harris角點檢測器,這篇博客將介紹另一個角點檢測器:Shi-Tomasi角點檢測器。
Shi-Tomasi角點檢測器是Harris角點檢測器的優(yōu)化,效果更好;
cv2.goodFeaturesToTrack(),通過Shi-Tomasi方法(或者Harris角點檢測)在圖像中找到N個最強的角點。并且在跟蹤對象方面性能很好。
1. 效果圖
原圖 VS Harris角點檢測器效果如下:
原圖 VS Shi-Tomasi角點檢測效果圖如下:
可以看出Shi-Tomasi確實效果要好一些,所有角點均被成功檢測;
2. 源碼
# Shi-Tomasi角點檢測是Harris角點檢測的優(yōu)化,更準確,會檢測出N個最強角點;
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('images/polygon.jpg')
plt.subplot(1, 2, 1)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.xticks([])
plt.yticks([])
plt.title("origin")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray, 25, 0.01, 10)
corners = np.int0(corners)
for i in corners:
x, y = i.ravel()
cv2.circle(img, (x, y), 3, 255, -1)
plt.subplot(1,2,2)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.xticks([])
plt.yticks([])
plt.title("Shi-Tomasi res")
plt.show()
參考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_shi_tomasi/py_shi_tomasi.html#shi-tomasi
總結
到此這篇關于OpenCV特征提取與檢測之Shi-Tomasi角點檢測器的文章就介紹到這了,更多相關OpenCV Shi-Tomasi角點檢測器內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- OpenCV特征提取與檢測之Harris角點檢測
- python opencv角點檢測連線功能的實現代碼
- OpenCV哈里斯(Harris)角點檢測的實現
- OpenCV半小時掌握基本操作之角點檢測