Python OpenCV 亚像素角点检测（cornerSubPix）详解与实战

一、什么是亚像素角点检测？

在机器视觉中，角点（Corner）通常代表图像中灰度变化最明显的位置，例如棋盘格交点、矩形顶点、零件边缘交点等。

OpenCV 提供的 Harris、Shi-Tomasi 等角点检测算法得到的角点坐标通常都是整数像素坐标，例如：

(325, 148)

但是实际中，一个角点真正的位置往往位于两个像素之间，例如：

(325.43, 147.82)

这种精度称为亚像素（Sub-Pixel）精度。

亚像素角点检测就是利用周围灰度信息，对角点位置进行迭代优化，使角点定位精度达到 0.1 像素甚至 0.01 像素。

在工业视觉中，这一步通常是相机标定、尺寸测量和高精度定位的重要环节。

二、为什么需要亚像素？

假设一台相机：

分辨率：2448×2048
一个像素对应实际尺寸：1 Pixel = 0.05 mm

普通角点：

误差 ±1 Pixel
≈ ±0.05 mm

亚像素优化后：

误差 ±0.05 Pixel
≈ ±0.0025 mm

精度提升约 20 倍。

因此，以下场景都会使用亚像素优化：

相机标定
视觉定位
PCB检测
尺寸测量

三、cornerSubPix() 函数

OpenCV 提供 cv2.cornerSubPix() 函数。

函数原型：

python 复制代码

cv2.cornerSubPix(
    image,
    corners,
    winSize,
    zeroZone,
    criteria
)

参数说明：

参数	说明
`image`	灰度图
`corners`	初始角点坐标
`winSize`	搜索窗口大小
`zeroZone`	忽略中心区域，一般为(-1,-1)
`criteria`	迭代停止条件

返回值：

corners 会直接更新为亚像素坐标。

四、停止条件（Termination Criteria）

通常这样设置：

python 复制代码

criteria = (
    cv2.TERM_CRITERIA_EPS +
    cv2.TERM_CRITERIA_MAX_ITER,
    30,
    0.001
)

表示：

最多迭代 30 次
或者移动距离 < 0.001 Pixel 就停止。

五、完整示例

python 复制代码

import cv2
import numpy as np

# 读取图片
img = cv2.imread("chessboard.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Shi-Tomasi检测角点
corners = cv2.goodFeaturesToTrack(
    gray,
    maxCorners=100,
    qualityLevel=0.01,
    minDistance=10
)

# 亚像素停止条件
criteria = (
    cv2.TERM_CRITERIA_EPS +
    cv2.TERM_CRITERIA_MAX_ITER,
    30,
    0.001
)

# 亚像素优化
corners = cv2.cornerSubPix(
    gray,
    corners,
    (5,5),
    (-1,-1),
    criteria
)

# 绘制角点
for corner in corners:
    x, y = corner.ravel()
    cv2.circle(img,
               (int(x), int(y)),
               4,
               (0,0,255),
               -1)

cv2.imshow("Sub Pixel", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

六、cornerSubPix 工作原理

亚像素并不是重新检测角点，而是在已有角点附近进行优化。

假设初始角点：(120, 85)

算法会在附近窗口（如 11×11）：

复制代码

□□□□□□□
□□□●□□□
□□□□□□□

不断计算：

灰度梯度
最小误差
最优位置

最后得到：(120.37, 84.82)

整个过程采用迭代优化，因此速度非常快。

七、与 Harris 检测配合使用

Harris 负责：找到角点
cornerSubPix：提高角点精度

流程：

原图 → Harris → 整数角点 → cornerSubPix → 亚像素角点

这是 OpenCV 最经典的组合。

八、棋盘格标定中的应用

OpenCV 标定流程：

python 复制代码

ret, corners = cv2.findChessboardCorners(
    gray,
    (9,6)
)

corners = cv2.cornerSubPix(
    gray,
    corners,
    (11,11),
    (-1,-1),
    criteria
)

这里：

findChessboardCorners 得到的是初始角点。
随后必须调用 cornerSubPix 提高角点精度。
最后 cv2.calibrateCamera() 完成相机标定。

因此，OpenCV 官方标定流程都会包含这一操作。

九、窗口大小如何选择？

窗口过小 (3×3)：容易受到噪声影响。
窗口过大 (25×25)：容易包含其它角点。

通常推荐：

场景	winSize
普通检测	(3,3)
标定	(5,5)
高精度标定	(11,11)
大分辨率图像	(15,15)

注意：窗口越大，计算量也会增加。

十、实际应用场景

亚像素角点检测广泛应用于：

相机标定（Camera Calibration）
手眼标定（Hand-Eye Calibration）
棋盘格定位
工业尺寸测量
PCB 定位
Mark 点识别
机器人抓取定位
精密装配
AOI 自动光学检测

在工业视觉项目中，凡是涉及毫米级甚至微米级测量，通常都会加入亚像素优化。

十一、总结

亚像素角点检测是 OpenCV 中提高定位精度的重要工具，它通过迭代优化角点位置，将整数像素坐标提升到亚像素级别，显著降低定位误差。

在实际工程中，它通常不会单独使用，而是与 Harris 、Shi-Tomasi 、棋盘格检测 等角点检测算法结合，再应用于 相机标定 、尺寸测量 、视觉定位 等高精度任务。

熟练掌握 cv2.cornerSubPix() 的使用方法，是从基础图像处理迈向工业机器视觉开发的重要一步。