Question

我有一张从相机拍摄的棋盘图片：

这是我的最小工作示例代码：

import cv2
print(cv2.__version__)
left_gray = cv2.imread('left_raw.jpg', cv2.CV_LOAD_IMAGE_GRAYSCALE)
print(left_gray.shape)
ret, left_corners  = cv2.findChessboardCorners(left_gray, (6,5))
print(left_corners)

这是输出，表示没有找到任何角落：

2.4.13.1
(1080, 1920)
None

我阅读了其他几个StackOverflow问题：

This question是关于opencv2在一个看似简单的场景中失败的＆＃34;但是我相信我拥有的图像要简单得多，因为这个图像有一个完全裁剪出来的棋盘版本。在我的情况下，我有一个棋盘，我把它放在一些白色的打印纸上。
This question是关于高分辨率图像的失败。我不确定我使用的相机是否高分辨率，但我的图像与该问题不同，因为这里的棋盘（大致）居中并且没有完全倾斜。
This question是关于＆＃34;完美＆＃34;棋盘。然而，那个是对称的，而我的图像不是对称的（它有6行和7列），我使用（5,6）的输入作为我的棋盘。我也试过（6,5），以防我倒退但没有运气。
This question是关于某人弄错了尺码的。用户声称如果我们有一个（10,7）板，则该函数的输入应为（9,7），其中10 =列数，7 =原板中的行数。但是，我认为我们必须从两个维度中减去一个。在任何情况下，我都尝试使用（7,5）和其他一些变体作为我的图像，但没有一个是有用的。
This question是关于MATLAB的，但代码不应该与Python太不相同，并且用户在检测图像时看到了一些成功，即使是比我更复杂的场景。

我现在有点迷失如何找到角落。有没有人有他们想分享的建议？如果您想测试它们，图像和代码就在这里。我还应该指出，我尝试在拍摄图像时增加原始相机的亮度，但没有运气。

Answer 1

我能够使用cv2.goodFeaturesToTrack()获得满意的结果。

CODE：

corners = cv2.goodFeaturesToTrack(gray_img,25,0.01,10)
corners = np.int0(corners)

for i in corners:
    x,y = i.ravel()
    cv2.circle(img,(x,y),3,(0,0,255),-1)

cv2.imshow('Corners',img)

我知道这不准确，但通过一些预处理，你应该能够获得更好的结果。

：d

Answer 2

这是我在以下环境中获得的最佳结果：

OpenCV 3.2
棋盘大小：5x5
每个维度减少两个图像
使用CLAHE算法预处理的图片

C ++代码：

cv::Mat img = cv::imread("klpVW.jpg", cv::IMREAD_GRAYSCALE);
cv::resize(img, img, cv::Size(), 0.5, 0.5);
cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE();
clahe->apply(img, img);

std::vector<cv::Point2f> corners;
cv::Size boardSize(5, 5);
bool found = cv::findChessboardCorners(img, boardSize, corners);
std::cout << "found=" << found << std::endl;
cv::Mat display(img.size(), CV_8UC3);
cv::cvtColor(img, display, cv::COLOR_GRAY2BGR);
cv::drawChessboardCorners(display, boardSize, cv::Mat(corners), found);

cv::imshow("Chessboard corners", display);
cv::imwrite("test_chessboard_corners.png", display);
cv::waitKey(0);

由于您的OpenCV版本不同，您可能得不到相同的结果。无论如何，你应该使用这个OpenCV pattern（你似乎对我来说略有不同），并记住校准模式必须尽可能平坦，以获得良好的校准结果。

OpenCV（cv2）Python findChessboardCorners在看似简单的棋盘上失败

2 个答案: