OpenCV(四十)：Shi-Tomasi角点检测

Shi-Tomasi 角点检测简介

Shi-Tomasi 角点检测，也称 Good Features to Track (GFTT) ，是基于 Harris 角点检测的改进方法，由 Jianbo Shi 和 Carlo Tomasi 于 1994 年提出。其主要目标是检测可用于跟踪的稳定角点，尤其在光流跟踪和视频分析中广泛使用。

与 Harris 角点不同的是，Shi-Tomasi 直接使用结构张量的最小特征值作为角点响应，避免了 Harris 响应函数中经验参数 k 的依赖，使检测更加稳定和可靠。

角点检测原理

Shi-Tomasi 检测器同样基于 局部窗口灰度变化矩阵（结构张量）：

Ix,Iy 是图像梯度
w(x,y) 是窗口权重，一般为方窗或高斯窗

特征值 λ1,λ2 表示窗口在两个方向上的灰度变化：

λ1和 λ2 都大 → 角点
一大一小 → 边缘
都小 → 平坦区域

Harris vs Shi-Tomasi

Harris 响应函数：

Shi-Tomasi 响应函数：

优势：

不依赖经验参数 k
对角点位置更稳定
对光流跟踪效果更好

OpenCV API：cv2.goodFeaturesToTrack

python 复制代码

cv2.goodFeaturesToTrack(
    image,         # 输入灰度图
    maxCorners,    # 最多角点数量
    qualityLevel,  # 角点质量阈值
    minDistance,   # 角点之间最小距离
    mask=None,     # 掩码
    blockSize=3,   # 窗口大小
    useHarrisDetector=False, # 是否使用 Harris（False 表示 Shi-Tomasi）
    k=0.04         # Harris 参数，如果 useHarrisDetector=True 有效
)

参数说明：

参数	含义
image	灰度图（float32 或 uint8）
maxCorners	最多检测的角点数
qualityLevel	角点响应最小值相对于最大值的比例（0~1）
minDistance	检测出的角点之间最小欧氏距离
blockSize	计算角点的窗口大小
useHarrisDetector	是否使用 Harris 响应（False → Shi-Tomasi）
k	Harris 参数，仅当 useHarrisDetector=True 有效

示例1

python 复制代码

import cv2
import numpy as np

# 读取图像
img = cv2.imread("test.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Shi-Tomasi 角点检测
corners = cv2.goodFeaturesToTrack(
    gray,
    maxCorners=100,       # 最多检测100个角点
    qualityLevel=0.01,    # 角点质量阈值
    minDistance=10,       # 角点最小间距
    blockSize=3,          # 计算角点的窗口大小
    useHarrisDetector=False
)

# 将角点坐标转换为整数
corners = np.intp(corners)

# 在图像上标记角点
for i in corners:
    x, y = i.ravel()
    cv2.circle(img, (x, y), 4, (0, 0, 255), -1)

# 显示图像
cv2.namedWindow("Shi-Tomasi Corners", cv2.WINDOW_NORMAL)
cv2.imshow("Shi-Tomasi Corners", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

执行效果:

示例2：在视频中实时检测角点

python 复制代码

import cv2
import numpy as np

cap = cv2.VideoCapture(0)  # 打开摄像头
while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    corners = cv2.goodFeaturesToTrack(gray, 100, 0.01, 10)
    corners = np.intp(corners)
    
    for i in corners:
        x, y = i.ravel()
        cv2.circle(frame, (x, y), 3, (0, 255, 0), -1)
    
    cv2.imshow("Video Shi-Tomasi", frame)
    if cv2.waitKey(1) & 0xFF == 27:
        break

cap.release()
cv2.destroyAllWindows()

参数调节建议

maxCorners
- 数量越多 → 检测更多角点
- 数量太少 → 可能漏掉重要角点
qualityLevel
- 范围 [0,1]
- 0.01~0.05 常用
- 越大 → 角点质量要求越高，检测角点越少
minDistance
- 避免角点过于密集
- 设置为窗口大小或物体特征间距
blockSize
- 窗口越大 → 角点更稳定，但精度略低
- 窗口越小 → 对细节敏感，但易受噪声干扰

hi-Tomasi 优势与局限

优势

无需 Harris 参数 k → 更稳定
角点定位精确 → 适合光流跟踪
计算量小 → 可用于实时视频处理
简单易用 → 直接调用 goodFeaturesToTrack

局限

不具备尺度不变性 → 图像放大/缩小角点位置会变化
对噪声敏感 → 高噪声图像需先做滤波
没有描述子 → 仅检测角点，需要其他方法提取描述子（如 ORB、SIFT）

与Shi-Tomasi对比

特性	Harris	Shi-Tomasi
响应函数	R = det(M) - k(trace(M))²	R = min(λ1, λ2)
参数依赖	k 参数	无 k 参数，更稳定
定位精度	中等	高
光流跟踪	可用	更优
计算量	小	小

总结

Shi-Tomasi 是 Harris 的改进，使用最小特征值作为角点响应，避免了 k 参数，稳定性更好。
对角点跟踪（如 LK 光流）效果优异，计算量小，适合实时视频应用。
不具备尺度不变性，需要搭配描述子实现匹配。
OpenCV 提供 cv2.goodFeaturesToTrack()，使用简单，可在图像和视频中快速检测角点。

通过调整 maxCorners、qualityLevel、minDistance 和 blockSize 参数，可以根据应用场景得到稀疏或密集、精确或鲁棒的角点检测效果。