有时我们需要最大精度的角点检测。OpenCV为我们提供了函cv2.cornerSubPix(), 它可以提供亚像素级别的角点检测。下面是一个例子。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。
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(image, connectivity, ltype)
image:8位单通道图像
labels:输出标签
stats:Nx5的矩阵(CV_32S):[x0, y0, width0, height0, area0; ... ; x(N-1), y(N-1), width(N-1), height(N-1), area(N-1)]
centroids:Nx2 质心矩阵(CV_64F ): [ cx0, cy0; ... ; cx(N-1), cy(N-1)]
connectivity:默认为8,4- or 8-connected components
ltype:默认为CV_32S,标签类型 (CV_32S or CV_16U)
cv2.cornerSubPix(image, corners, winSize, zeroZone, criteria)
image:输入图像
corners:角点的初始坐标
winSize:搜索窗口边长的一半
zeroZone:搜索区域中间的dead region边长的一半
criteria:迭代过程的终止条件
例如:
import cv2
import numpy as np
filename = 'test30_3.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
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)
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# 定义一个标准去停止迭代
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
# 返回值由角点坐标组成的一个数组(而非图像)
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
res = np.hstack((centroids, corners))
# np.int0 可以用来省略小数点后面的数字(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.imwrite('subpixe.png', img)
结果如下:
可以看出绿色比红色更加精确。