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。