3. 角点检测原理：OpenCV中的findChessboardCorners与cornerSubPix详解
做镜头畸变校正，第一步就是找到标定板上的角点。
说白了，你得先告诉算法：「喏，这些点是棋盘格的交叉点，你按这个来算畸变参数。」
OpenCV 给了我们两个主力函数：findChessboardCorners 和 cornerSubPix。一个负责粗定位，一个负责精调。我刚开始接触标定时，以为第一个函数就够用了，结果校正出来的图像边缘总是有细微扭曲……后来才发现，少了亚像素精度的这一步，精度根本不够。
3.1 findChessboardCorners：粗定位是怎么工作的？
这个函数的核心思路，其实挺直观的。它会在图像里搜索棋盘格的黑白交叉点。
具体流程大致是这样的：
- 二值化与阈值处理：先把图像转成灰度图，然后用自适应阈值把它变成黑白分明的二值图。
- 四边形检测：在二值图里找轮廓，筛选出那些像棋盘格小方块的四边形区域。
- 角点候选生成：找到这些四边形的顶点，作为候选角点。
- 模式匹配与排序：根据你指定的棋盘格尺寸（比如 9x6），把这些候选点按行列顺序排好。
嗯，这里要注意：这个函数对光照和对比度比较敏感。我在项目中遇到过，如果标定板表面有反光，或者光线太暗，它经常找不到角点，或者找到的角点顺序是乱的。
核心参数说明：
patternSize：棋盘格的内角点数，比如 (9,6) 表示每行9个内角点，每列6个。注意不是格子数，是交叉点数。flags：可以传CALIB_CB_ADAPTIVE_THRESH让函数自己调阈值，或者CALIB_CB_NORMALIZE_IMAGE先做归一化再处理。
我的小技巧： 如果发现角点检测失败，试试把 flags 设为 CALIB_CB_ADAPTIVE_THRESH | CALIB_CB_NORMALIZE_IMAGE。这两个组合能解决大部分光照不均的问题。
3.2 cornerSubPix：为什么要做亚像素精调？
你想想看，findChessboardCorners 给出的角点坐标是整数像素级别的。但真实世界中的角点，往往落在像素之间的某个位置。
举个例子，一个角点可能在像素 (100.3, 200.7) 的位置。如果只用整数坐标去算畸变参数，误差会累积，最终校正出来的图像边缘就会「发虚」或者「扭曲」。
这就是 cornerSubPix 的用武之地。它能把整数坐标精调到亚像素级别，精度可以达到 0.1 像素甚至更高。
它的原理其实也不复杂：
- 在粗定位的角点周围，取一个小窗口。
- 在这个窗口里，计算图像的梯度方向。
- 利用梯度方向的信息，通过迭代优化，找到那个「梯度变化最剧烈」的精确位置。
我记得有一次做高精度工业检测，用整数坐标校正后，测量出来的物体尺寸总是差那么 0.02 毫米。后来加上 cornerSubPix，问题就解决了。说白了，精度就是抠出来的。
注意： cornerSubPix 的迭代次数和精度阈值要设好。我见过有人把迭代次数设成 100，结果跑起来慢得不行。一般 30 次以内就够了。
3.3 两个函数的配合使用流程
在实际代码里，这两个函数是成对出现的。流程大概是：
import cv2
import numpy as np
# 读取图像
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 1. 粗定位角点
ret, corners = cv2.findChessboardCorners(gray, (9, 6), None)
if ret:
# 2. 亚像素精调
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners_sub = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
# 3. 绘制角点（可选）
cv2.drawChessboardCorners(img, (9, 6), corners_sub, ret)
你看，代码其实很短。但每一步都有讲究。
3.4 参数调优经验
我整理了一个表格，方便你对照调整：
| 参数 | 推荐值 | 说明 |
|---|---|---|
winSize (cornerSubPix) |
(11, 11) 或 (5, 5) | 搜索窗口大小。窗口越大，精度越高，但速度越慢。我一般用 (11, 11)。 |
zeroZone |
(-1, -1) | 一般设 -1，表示不排除任何区域。 |
criteria |
(EPS + MAX_ITER, 30, 0.001) | 迭代 30 次，精度到 0.001 像素。够用了。 |
flags (findChessboard) |
ADAPTIVE_THRESH + NORMALIZE | 应对光照不均的「黄金组合」。 |
避坑指南： 我曾经在标定板上贴了透明胶带，结果反光太强，findChessboardCorners 死活找不到角点。后来把胶带撕掉，用柔光灯从侧面打光，一次就成功了。所以，物理条件也很重要。
3.5 核心逻辑流程图
下面这张 SVG 图，把整个角点检测的流程串起来了。你可以对照着看，心里会更清楚：
3.6 常见问题与排查思路
做角点检测时，你可能会遇到这些问题。我按经验排了个序：
- 找不到角点：先检查棋盘格尺寸参数对不对。然后看光照是否均匀。最后试试加
CALIB_CB_ADAPTIVE_THRESH标志。 - 角点顺序错乱：通常是棋盘格图案不对称，或者标定板有遮挡。确保棋盘格完整出现在画面里。
- 精调后角点偏移：检查
winSize是不是太小了。如果窗口太小，亚像素算法找不到足够的梯度信息。 - 程序跑得慢：把
criteria里的迭代次数降到 20，或者缩小winSize。
重要提醒： 不要在一张图像上反复跑 cornerSubPix。它每次都会重新计算，但结果不会变。跑一次就够了。
好了，角点检测的原理和实战细节，基本就这些。你只要把这两个函数用熟，标定工作的地基就算打牢了。下一章我们会聊怎么用这些角点去算畸变系数，到时候你会发现，前面的精调工作，每一分努力都值。
公众号:蓝海资料掘金营，微信deep3321