cv.goodFeaturesToTrack：Shi

回顾Harris角点检测：

Harris角点检测-OpenCV_独憩的博客-CSDN博客

Shi-Tomasi角点检测：

相比于Harris角点检测：

Shi-Tomasi角点检测提出

如果它大于一个阈值，就被认为是一个角。只有当λ1和λ2高于一个最小值λmin时，它才被认为是一个角。

corners = cv.goodFeaturesToTrack( image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]] )image：8位或32位浮点型输入图像，单通道maxCorners：角点数目最大值，如果实际检测的角点超过此值，则只返回前maxCorners个强角点qualityLevel：角点的品质因子，0-1中的数字minDistance：对于初选出的角点而言，如果在其周围minDistance范围内存在其他更强角点，则将此角点删除_mask：指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROIblockSize：计算协方差矩阵时的窗口大小useHarrisDetector：指示是否使用Harris角点检测，如不指定，则计算shi-tomasi角点harrisK：Harris角点检测需要的k值一般来说，可以只输入image maxCorners, qualityLevel, minDistanc

Shi-Tomasi角点检测实例：

import cv2.cv2
import numpy as np
import cv2 as cv
from matplotlib import pyplot as pltimg = cv.imread(r'XXXXX.jpg')
img = size(img, (0, 0), fx=0.1, fy=0.1, interpolation=cv2.INTER_NEAREST)
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
corners = cv.goodFeaturesToTrack(gray,45,0.01,10)
corners = np.int0(corners)
#img = cv.cvtColor(img,cv.COLOR_BGR2RGB)
for i in corners:x,y = i.ravel()cv.circle(img,(x,y),5,(0,0,255),-1)
cv.imwrite(r'XXXXXX.jpg',img)

 对比Harris角点检测：

import cv2.cv2
import numpy as np
import cv2 as cv
from matplotlib import pyplot as pltimg = cv.imread(r'XXXXbeatiful.jpg')
img = size(img, (0, 0), fx=0.1, fy=0.1, interpolation=cv2.INTER_NEAREST)
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv.cornerHarris(gray, 2, 3, 0.04)dst = cv.dilate(dst, None)img[dst > 0.01 * dst.max()] = [0, 0, 255]
cv.imshow('dst', img)
cv.waitKey(0)
cv.imwrite(r'C:Users12860Desktopbeatiful1.jpg',img)

 很显然Shi-Tomasi角点检测的效果更好。