利用 OpenCV 进行棋盘检测与透视变换

1. 引言

在计算机视觉领域，棋盘检测与透视变换是一个常见的任务，广泛应用于 摄像机标定、文档扫描、增强现实（AR） 等场景。本篇文章将详细介绍如何使用 OpenCV 进行 棋盘检测 ，并通过 透视变换 将棋盘区域转换为一个标准的矩形图像。

我们将基于一段 Python 代码 进行分析，代码的主要任务包括：

读取图像并进行预处理（灰度转换、自适应直方图均衡化、去噪）
检测边缘并提取棋盘区域
计算透视变换矩阵并进行变换
展示和保存结果

2. 代码解析

完整代码如下：

python 复制代码

import cv2
import numpy as np

def detect_and_transform_chessboard(image_path):
    # 读取图像
    img = cv2.imread(image_path)
    if img is None:
        print("无法读取图像文件")
        return
    
    # 保存原始图像尺寸
    original_img = img.copy()
    
    # 图像预处理
    scale_percent = 50
    width = int(img.shape[1] * scale_percent / 100)
    height = int(img.shape[0] * scale_percent / 100)
    img = cv2.resize(img, (width, height))
    
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 自适应直方图均衡化
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    gray = clahe.apply(gray)
    
    # 使用双边滤波减少噪声
    gray = cv2.bilateralFilter(gray, 11, 17, 17)
    
    found = False
    edges = cv2.Canny(gray, 50, 150)
    contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    if len(contours) > 0:
        contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]
        
        for contour in contours:
            epsilon = 0.02 * cv2.arcLength(contour, True)
            approx = cv2.approxPolyDP(contour, epsilon, True)
            
            if len(approx) == 4 and cv2.contourArea(approx) > 1000:
                cv2.drawContours(img, [approx], -1, (0, 0, 255), 2)
                corners_pts = approx.reshape(4, 2).astype(np.float32)
                corners_pts = order_points(corners_pts)
                found = True
                break
    
    if found and corners_pts is not None:
        target_size = (400, 400)
        target_pts = np.array([
            [0, 0],
            [target_size[0], 0],
            [target_size[0], target_size[1]],
            [0, target_size[1]]
        ], dtype=np.float32)
        
        matrix = cv2.getPerspectiveTransform(corners_pts, target_pts)
        
        warped = cv2.warpPerspective(img, matrix, target_size)
        
        cv2.namedWindow('yuantu', cv2.WINDOW_NORMAL)
        cv2.imshow('yuantu', img)
        cv2.namedWindow('zhentu', cv2.WINDOW_NORMAL)
        cv2.imshow('zhentu', warped)
        
        cv2.imwrite('detected_chessboard.png', img)
        cv2.imwrite('transformed_chessboard.png', warped)
    else:
        print("无法进行透视变换：未检测到有效的棋盘角点")
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()

def order_points(pts):
    rect = np.zeros((4, 2), dtype=np.float32)
    
    s = pts.sum(axis=1)
    rect[0] = pts[np.argmin(s)]  # 左上
    rect[2] = pts[np.argmax(s)]  # 右下
    
    diff = np.diff(pts, axis=1)
    rect[1] = pts[np.argmin(diff)]  # 右上
    rect[3] = pts[np.argmax(diff)]  # 左下
    
    return rect

if __name__ == "__main__":
    image_path = "1.jpg"
    detect_and_transform_chessboard(image_path)

原图

代码运行结果图

7. 进一步优化与拓展

7.1 多尺度图像处理

在实际应用中，棋盘大小可能存在变形和比例不一致的情况。可以使用图像金字塔（Image Pyramid）来对不同尺度的图像进行分析，提高算法的适应性。

7.2 使用深度学习改进检测

传统的边缘检测和轮廓提取方法对于复杂背景或光照变化较大的情况可能表现不佳。可以尝试使用**深度学习模型（如YOLO或OpenCV DNN模块）**来替代传统的边缘检测方法。

7.3 自动化角点提取优化

目前的角点提取方法依赖 cv2.approxPolyDP()，可以引入更精确的 Harris 角点检测 或 Shi-Tomasi 角点检测，提高精度。

7.4 进一步增强抗噪性

可以引入 cv2.GaussianBlur() 或 cv2.medianBlur() 进一步去除噪声，以便更清晰地检测边缘。

8. 结论

本篇文章介绍了基于 OpenCV 进行棋盘检测与透视变换的方法，详细分析了 图像预处理、边缘检测、透视变换 关键技术，并提供了优化建议。希望对你有所帮助！在实际应用中，可以结合深度学习和图像处理优化，提高检测的精度和鲁棒性。