Shi-Tomasi Köşe Dedektörü ve İzlenecek İyi Özellikler

Hedefler

Bu bölümde:

• Başka bir köşe dedektörü olan Shi-Tomasi Köşe Dedektörü’nü öğreneceğiz
• Şu fonksiyonu göreceğiz: cv.goodFeaturesToTrack()

Teori

Son bölümde Harris Köşe Dedektörü’nü gördük. Daha sonra 1994 yılında J. Shi ve C. Tomasi, Good Features to Track adlı makalelerinde Harris Köşe Dedektörü ile karşılaştırıldığında daha iyi sonuçlar gösteren küçük bir değişiklik yaptılar. Harris Köşe Dedektörü’ndeki puanlama fonksiyonu şuydu:

R = λ₁λ₂ - k(λ₁+λ₂)²

Bunun yerine Shi-Tomasi şunu önerdi:

R = min(λ₁, λ₂)

Eşik değerinden büyükse köşe olarak kabul edilir. λ₁ ve λ₂ uzayında çizildiğinde:

Şekilden, yalnızca λ₁ ve λ₂’nin minimum bir değer olan λ_min’in üzerinde olduğu durumlarda köşe olarak kabul edildiği görülebilir (yeşil bölge).

Kod

OpenCV’nin cv.goodFeaturesToTrack() fonksiyonu vardır. Shi-Tomasi yöntemiyle (veya bunu belirtirseniz Harris Köşe Tespiti ile) görüntüdeki N en güçlü köşeyi bulur. Her zamanki gibi, görüntü gri tonlamalı olmalıdır. Ardından bulmak istediğiniz köşe sayısını belirtirsiniz. Sonra, 0-1 arasında bir değer olan ve reddedilen köşelerin minimum kalitesini belirten kalite düzeyini belirtirsiniz. Ardından tespit edilen köşeler arasındaki minimum Öklid mesafesini sağlarız.

Aşağıdaki örnekte 25 en iyi köşeyi bulmaya çalışacağız:

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('blox.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

corners = cv.goodFeaturesToTrack(gray, 25, 0.01, 10)
corners = np.int0(corners)

for i in corners:
    x, y = i.ravel()
    cv.circle(img, (x, y), 3, 255, -1)

plt.imshow(img), plt.show()

Sonuç:

Bu fonksiyon takip için daha uygundur. Zamanı geldiğinde bunu göreceğiz.

Kaynak: OpenCV Python Tutorials — Orijinal Döküman