#!/usr/bin/env python
# coding: utf-8

# # <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">پیدا کردن گوشه‌ها با روش Shi-Tomasi</div>
# 
# <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">در نوت‌بوک قبلی روش Harris برای پیدا کردن گوشه ها را مشاهده کردیم، بعد از معرفی این روش، چند سال بعد در سال 1994 میلادی دو محقق با نامهای  Shi و Tomasi به کمی تغییرات در روش Harris در مقاله ای تحت عنوان Good Features to Track  به دقت بهتر دست یافتند.
# <br/>
# تابع امتیاز دهی در آشکارساز گوشه هریس توسط:
# </div>
# 
# $$R = \lambda_1 \lambda_2 - k(\lambda_1+\lambda_2)^2$$
# 
# <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">که این دو محقق با بازنگری در این تابع امتیاز دهی به جای فرمول بالا از فرول زیر استفاده کردند:
# </div>
# 
# $$R = \min(\lambda_1, \lambda_2)$$
# 
# <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">که مثل سابق، اگر مقدار این تابع بیشتر از حد آستانه باشد، گوشه محسوب می شود.
# </div>

# <img src="./lecture_images/shitomasi_space.png" />
# 
# <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">
# که طبق تصویر ناحیه‌ی سبز رنگ به معنای این است که هم 
# $\lambda_1$
# و هم
# $\lambda_2$
# بالای حد آستانه هستند که به معنی وجود گوشه است!
# </div>

# <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">
# در OpenCV این روش در تابع goodFeaturesToTrack پیاده سازی شده است. <br/>
# این تابع به عنوان پارامتر ورودی روش گوشه یابی را از شما دریافت کرده (Shi-Tomasi  یا تشخیص گوشه هریس، اگر مشخص کنید) و سپس N گوشه قوی تر(بزرگترین اعداد متریک بالا) را پیدا می کند. 
# طبق معمول، تصویر باید یک تصویر سطح-خاکستری باشد. 
# سپس تعداد گوشه هایی را که می خواهید پیدا کنید مشخص می کنید. 
# سپس سطح کیفیت را مشخص می‌کنید که مقداری بین 0-1 است که نشان‌دهنده حداقل کیفیت گوشه‌ای است که زیر آن همه رد می‌شوند. 
# سپس حداقل فاصله اقلیدسی بین گوشه های شناسایی شده را ارائه می کنیم.
# </div>

# <div style="direction:rtl;text-align:right;font-family:B Lotus, B Nazanin, Tahoma">
# برای مثال در کد زیر تلاش میکنیم که 25 گوشه برتر را پیدا کنیم:
# </div>

# In[2]:


import numpy as np
import cv2
import matplotlib.pyplot as plt

img = cv2.imread('images/blox.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)
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();


# https://docs.opencv.org/4.x/d4/d8c/tutorial_py_shi_tomasi.html