亚像素级角点检测

视频讲解如下：

当前系列所有demo下载地址：

https://github.com/GaoRenBao/OpenCv4-Demo

不同编程语言对应的OpenCv版本以及开发环境信息如下： 

有时我们需要最大精度的角点检测。OpenCV为我们提供了函数cv2.cornerSubPix()，它可以提供亚像素级别的角点检测。下面是--个例子。首先我们要找到Harris角点，然后将角点的重心传给这个函数进行修正。Harris 角点用红色像素标出，绿色像素是修正后的像素。在使用这个函数是我们要定义一个迭代停止条件。当迭代次数达到或者精度条件满足后迭代就会停止。我们同样需要定义进行角点搜索的邻域大小。

源码参考来源：OpenCV-Python-Tutorial-中文版.pdf （P184）   

文档中的python源码：

import cv2
import numpy as np

filename = 'chessboard-2.png'
img = cv2.imread(filename)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# find Harris corners
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
dst = cv2.dilate(dst, None)
ret, dst = cv2.threshold(dst, 0.01 * dst.max(), 255, 0)
dst = np.uint8(dst)

# find centroids
# connectedComponentsWithStats(InputArray image, OutputArray labels, OutputArray stats,
# OutputArray centroids, int connectivity=8, int ltype=CV_32S)
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# define the criteria to stop and refine the corners
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
# Python: cv2.cornerSubPix(image, corners, winSize, zeroZone, criteria)
# zeroZone – Half of the size of the dead region in the middle of the search zone
# over which the summation in the formula below is not done. It is used sometimes
# to avoid possible singularities of the autocorrelation matrix. The value of (-1,-1)
# indicates that there is no such a size.
# 返回值由 点坐标组成的一个数组 而 图像
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)

# Now draw them
res = np.hstack((centroids, corners))
# np.int0 可以用来省略小数点后的数字，非四舍五入
res = np.int0(res)
img[res[:, 1], res[:, 0]] = [0, 0, 255]
img[res[:, 3], res[:, 2]] = [0, 255, 0]

cv2.imshow('subpixel5.png', img)

# 输出角点信息(默认角点很小，这里我放大一下)
for i in range(len(corners)):
    center = (int(corners[i][0]), int(corners[i][1]))
    cv2.circle(img, center, 4, (0,0,255) , -1, 8, 0)

cv2.imshow('subpixel5-2', img)
cv2.imwrite('subpixel5.png',img)
cv2.waitKey(0)

测试原图

运行效果

以下是毛星云的工程转换过来的三个语言版本

首先呢，我们需要准备一张测试图片。（不想下载工程的童鞋，可直接复制下面的图片和代码）

运行效果如下（C#）：

C#版本代码如下：

using OpenCvSharp;
using System;

namespace demo
{
    internal class Program
    {
        static string WINDOW_NAME = "【亚像素级角点检测】";

        static Mat g_srcImage = new Mat();
        static Mat g_grayImage = new Mat();
        static int g_maxCornerNumber = 33;
        static int g_maxTrackbarNumber = 500;
        static RNG rng = new RNG(12345);

        static void Main(string[] args)
        {
            //【1】载入源图像并将其转换为灰度图
            g_srcImage = Cv2.ImRead("../../../images/home7.jpg");
            Cv2.CvtColor(g_srcImage, g_grayImage, ColorConversionCodes.BGR2GRAY);

            //【2】创建窗口和滑动条，并进行显示和回调函数初始化
            Cv2.NamedWindow(WINDOW_NAME, WindowFlags.AutoSize);
            Cv2.CreateTrackbar("最大角点数:", WINDOW_NAME, ref g_maxCornerNumber, g_maxTrackbarNumber, on_GoodFeaturesToTrack);
            on_GoodFeaturesToTrack(0, IntPtr.Zero);

            Cv2.ImShow(WINDOW_NAME, g_srcImage);
            Cv2.WaitKey();
        }

        static void on_GoodFeaturesToTrack(int pos, IntPtr userData)
        {
            //【1】对变量小于等于1时的处理
            if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }

            //【2】Shi-Tomasi算法（goodFeaturesToTrack函数）的参数准备
            double qualityLevel = 0.01;//角点检测可接受的最小特征值
            double minDistance = 10;//角点之间的最小距离
            int blockSize = 3;//计算导数自相关矩阵时指定的邻域范围
            double k = 0.04;//权重系数

            Mat copy = new Mat();
            g_srcImage.CopyTo(copy);  //复制源图像到一个临时变量中，作为感兴趣区域

            //【3】进行Shi-Tomasi角点检测
            Point2f[] corners = Cv2.GoodFeaturesToTrack(
                g_grayImage,//输入图像
                g_maxCornerNumber, //角点的最大数量
                qualityLevel,//角点检测可接受的最小特征值
                minDistance,//角点之间的最小距离
                null,
                blockSize,//计算导数自相关矩阵时指定的邻域范围
                false,
                k);//权重系数

            //【4】输出文字信息
            System.Diagnostics.Debug.WriteLine($"此次检测到的角点数量为：{corners.Length}");

            //【5】绘制检测到的角点
            int r = 4;
            for (int i = 0; i < corners.Length; i++)
            {
                //以随机的颜色绘制出角点
                byte cb = (byte)rng.Uniform(0, 255);
                byte cg = (byte)rng.Uniform(0, 255);
                byte cr = (byte)rng.Uniform(0, 255);
                Cv2.Circle(copy, (int)corners[i].X, (int)corners[i].Y, r, new Scalar(cb, cg, cr), -1, LineTypes.Link8, 0);
            }

            //【6】显示（更新）窗口
            Cv2.ImShow(WINDOW_NAME, copy);
            copy.Dispose();

            //【7】亚像素角点检测的参数设置
            Size winSize = new Size(5, 5);
            Size zeroZone = new Size(-1, -1);
            TermCriteria criteria = new TermCriteria(CriteriaTypes.Eps | CriteriaTypes.MaxIter, 40, 0.001);

            //【8】计算出亚像素角点位置
            Cv2.CornerSubPix(g_grayImage, corners, winSize, zeroZone, criteria);

            //【9】输出角点信息
            for (int i = 0; i < corners.Length; i++)
            {
                System.Diagnostics.Debug.WriteLine($"精确角点坐标：{corners[i].X},{corners[i].Y}");
            }
        }
    }
}

C++版本代码如下：

#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>

using namespace cv;
using namespace std;

#define WINDOW_NAME "【亚像素级角点检测】"        //为窗口标题定义的宏 

Mat g_srcImage, g_grayImage;
int g_maxCornerNumber = 33;
int g_maxTrackbarNumber = 500;
RNG g_rng(12345);//初始化随机数生成器

void on_GoodFeaturesToTrack(int, void*)
{
	//【1】对变量小于等于1时的处理
	if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }

	//【2】Shi-Tomasi算法（goodFeaturesToTrack函数）的参数准备
	vector<Point2f> corners;
	double qualityLevel = 0.01;//角点检测可接受的最小特征值
	double minDistance = 10;//角点之间的最小距离
	int blockSize = 3;//计算导数自相关矩阵时指定的邻域范围
	double k = 0.04;//权重系数
	Mat copy = g_srcImage.clone();	//复制源图像到一个临时变量中，作为感兴趣区域

									//【3】进行Shi-Tomasi角点检测
	goodFeaturesToTrack(g_grayImage,//输入图像
		corners,//检测到的角点的输出向量
		g_maxCornerNumber,//角点的最大数量
		qualityLevel,//角点检测可接受的最小特征值
		minDistance,//角点之间的最小距离
		Mat(),//感兴趣区域
		blockSize,//计算导数自相关矩阵时指定的邻域范围
		false,//不使用Harris角点检测
		k);//权重系数

		   //【4】输出文字信息
	cout << "\n\t>-------------此次检测到的角点数量为：" << corners.size() << endl;

	//【5】绘制检测到的角点
	int r = 4;
	for (unsigned int i = 0; i < corners.size(); i++)
	{
		//以随机的颜色绘制出角点
		circle(copy, corners[i], r, Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255),
			g_rng.uniform(0, 255)), -1, 8, 0);
	}

	//【6】显示（更新）窗口
	imshow(WINDOW_NAME, copy);

	//【7】亚像素角点检测的参数设置
	Size winSize = Size(5, 5);
	Size zeroZone = Size(-1, -1);
	TermCriteria criteria = TermCriteria(TermCriteria::EPS | TermCriteria::MAX_ITER, 40, 0.001);

	//【8】计算出亚像素角点位置
	cornerSubPix(g_grayImage, corners, winSize, zeroZone, criteria);

	//【9】输出角点信息
	for (int i = 0; i < corners.size(); i++)
	{
		cout << " \t>>精确角点坐标[" << i << "]  (" << corners[i].x << "," << corners[i].y << ")" << endl;
	}
}

int main()
{

	//【1】载入源图像并将其转换为灰度图
	g_srcImage = imread("../images/home7.jpg", 1);
	cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);

	//【2】创建窗口和滑动条，并进行显示和回调函数初始化
	namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
	createTrackbar("最大角点数", WINDOW_NAME, &g_maxCornerNumber, g_maxTrackbarNumber, on_GoodFeaturesToTrack);
	imshow(WINDOW_NAME, g_srcImage);
	on_GoodFeaturesToTrack(0, 0);

	waitKey(0);
	return(0);
}

Python版本代码如下：

import cv2
import numpy as np
import random

def on_GoodFeaturesToTrack(x):
    global g_srcImage,g_grayImage

    # 获取滑动条的值
    g_maxCornerNumber = cv2.getTrackbarPos('value', 'WINDOW_NAME')

    # 复制源图像到一个临时变量中，作为感兴趣区域
    copy = np.copy(g_srcImage)

    if g_maxCornerNumber <= 1:
        g_maxCornerNumber = 1

    # Shi-Tomasi算法（goodFeaturesToTrack函数）的参数准备
    feature_params = dict(maxCorners=g_maxCornerNumber, # 角点的最大数量
                            qualityLevel=0.01, # 角点检测可接受的最小特征值
                            minDistance=10,    # 角点之间的最小距离
                            blockSize=3)       # 计算导数自相关矩阵时指定的邻域范围

    corners = cv2.goodFeaturesToTrack(g_grayImage, mask=None, **feature_params)

    # 输出文字信息
    print("此次检测到的角点数量为：", corners.size)
    
    for i in range(len(corners)):
        # 以随机的颜色绘制出角点
        color = (random.randint(0,255), random.randint(0,255), random.randint(0,255))
        center = (int(corners[i][0][0]), int(corners[i][0][1]))
        cv2.circle(copy,center, 4, color , -1, 8, 0)

    cv2.imshow("WINDOW_NAME", copy)

    # 亚像素角点检测的参数设置
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 40, 0.001)
    corners = cv2.cornerSubPix(g_grayImage, np.float32(corners), (5, 5), (-1, -1), criteria)

    # 输出角点信息
    for i in range(len(corners)):
        center = (int(corners[i][0][0]), int(corners[i][0][1]))
        print("精确角点坐标：", center)

# 【1】载入源图像并将其转换为灰度图
g_srcImage = cv2.imread("../images/home7.jpg")
g_grayImage = cv2.cvtColor(g_srcImage, cv2.COLOR_BGR2GRAY)

# 创建窗口
cv2.namedWindow('WINDOW_NAME')

cv2.createTrackbar('value', 'WINDOW_NAME', 0, 500, on_GoodFeaturesToTrack)
cv2.setTrackbarPos('value', 'WINDOW_NAME', 0)

# 等待用户按键
cv2.imshow("WINDOW_NAME", g_srcImage)
cv2.waitKey(0)
cv2.destroyAllWindows()