目标
在本章中，将学习另一个角点检测器：
理论
在上一章中，学习了。1994年下半年，J.Shi和C. 在论文《Goodto Track》中做了一个小修改，与相比，展示了更好的结果 。哈里斯角落探测器的计分功能由下式给出：
R = λ 1 λ 2 ? k ( λ 1 + λ 2 ) 2 R = \ \ - k(\+\)^2 R=λ1?λ2??k(λ1?+λ2?)2
取而代之的是，C. 提出：
R = m i n ( λ 1 , λ 2 ) R=min(\, \) R=min(λ1?,λ2?)
如果大于阈值，则将其视为拐角 。如果像在中那样在 λ 1 ? λ 2 \-\ λ1??λ2? 空间中绘制它，则会得到如下图像：
从图中可以看到，只有当 λ 1 \ λ1? 和 λ 2 \ λ2? 大于最小值 λ m i n \{min} λmin?时，才将其视为拐角（绿色区域） 。
代码
有一个函数cv2.() 。它通过Shi-方法（或哈里斯角检测，如果指定的话）找到图像中的N个最强角 。像往常一样，图像应该是灰度图像 。然后，指定要查找的角的数量 。然后，指定质量级别，该值是介于0-1之间的值，该值表示每个角落都被拒绝的最低拐角质量 。然后，提供检测到的角之间的最小欧式距离 。
利用所有这些信息，该函数可以找到图像中的拐角，低于平均质量的所有拐角点均被拒绝 。然后，会根据质量以降序的方式对剩余的角进行排序 。然后函数首先获取最佳拐角，然后丢弃最小距离范围内的所有附近拐角，然后返回N个最佳拐角 。
= cv.( image, , , , mask, , [, [, [, k]]] )
在下面的示例中，将尝试找到24个最佳角点：
import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('shi.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)corners = cv2.goodFeaturesToTrack(gray, 24, 0.01, 10)# 四个参数，图像，个数，分数，距离corners = np.int0(corners)for i in corners:x, y = i.ravel()cv2.circle(img, (x,y), 3, 255, -1)plt.imshow(img)plt.show()
【opencv32:Shi-Tomasi 角点检测|Shi–Tomasi】附加资源