Shi-Tomasi角点检测（python实现）

本文主要是介绍Shi-Tomasi角点检测（python实现），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- 1.Harris特征检测
- 2.Shi-Tomasi角点检测
- 3.Shi-Tomasi角点检测函数讲解
- 4.代码实战

1.Harris特征检测

https://blog.csdn.net/Keep_Trying_Go/article/details/125384144

2.Shi-Tomasi角点检测

Shi-Tomasi是对Harris角点检测的改进；
由于Harris角点检测算法的稳定性和K系数有关，而K是一个经验值，所以不好设定其K的最佳值。

3.Shi-Tomasi角点检测函数讲解

goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, corners=None, mask=None, blockSize=None, useHarrisDetector=None, k=None):
Image:输入的原始图像；
maxCorners:角点的最大数，值为0表示无限制；
qualityLevel:角点的质量；小于的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。
minDistance:角之间最小欧式距离，忽略小于此距离的点。
Corners:输出检测角点的一个向量值；
Mask:感兴趣的区域；
blockSize:检测窗口的大小；
userHarrisDetector：是否使用Harris算法，默认值为false，不使用Harris算法；
K:默认值为0.04；

4.代码实战

import os
import cv2
import numpy as np#读取图片
img=cv2.imread('images/HaLiSi.jpg')
#缩放图片
img=cv2.resize(src=img,dsize=(450,450))
#转灰度图
gray=cv2.cvtColor(src=img,code=cv2.COLOR_RGB2GRAY)
tomasiCorners=cv2.goodFeaturesToTrack(image=gray,maxCorners=1000,qualityLevel=0.01,minDistance=10)
#转换为整形
tomasiCorners=np.int0(tomasiCorners)
#遍历所有的角点
for corner in tomasiCorners:#获取角点的坐标x,y=corner.ravel()cv2.circle(img=img,center=(x,y),radius=3,color=(0,255,0),thickness=-1)#显示图像
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()if __name__ == '__main__':print('Pycharm')