在 opencv 中为任何随机棋盘查找棋盘点（模式大小未知）
Finding CheckerBoard Points in opencv for any random ChessBoard( pattern size not known)
好吧，OpenCv 在 C++ 中带有它的函数 findCheckerboardCorners()，就像
bool findChessboardCorners(InputArray image, Size patternSize,
OutputArray corners,
int flags=CALIB_CB_ADAPTIVE_THRESH+CALIB_CB_NORMALIZE_IMAGE )
使用这个功能一段时间后，我了解到的一件事是图案大小必须在很大程度上符合图像，否则算法将拒绝检测任何棋盘。我想知道是否有任何棋盘的随机图像，这个函数会失败，因为输入 patternSize 的精确值是不切实际的。有没有办法，这个函数的 patternSize 可以从提供的图像中获得。任何帮助，将不胜感激。谢谢
patternSize – Number of inner corners per a chessboard row and
column
所以patternSize不是图片里面棋盘的大小而是内角的个数。内角的数量与图像内部棋盘的大小无关。
例如下图https://github.com/Itseez/opencv/blob/3.1.0/samples/data/chessboard.png
patternSize 应该是 cv::Size(7,7).
简答：不能。
OpenCV的棋盘格检测代码假定图案是统一的（所有方块的大小都相同），因此，为了唯一定位其在图像中的位置，必须满足以下两个条件：
- 图案完全可见。
- 该模式的行数和列数已知。
如果违反了 1 或 2，则无法知道哪个角是 "top left" 角。
对于更一般的情况，特别是如果您预计图案可能会被部分遮挡，则必须使用不同的算法和非均匀图案，这样角点就可以被唯一识别。
有多种方法可以做到这一点。我最喜欢的图案是 Matsunaga 和 Kanatani 的“二维条形码”，它使用具有独特交叉比的方形长度序列。请参阅论文 here。为了匹配它，一旦你把角排序成一个网格，你可以使用简单的多数表决算法：
- 预先计算所有图案的角的连续 4 元组在水平和垂直方向上的交比。
- 对网格中检测到的角执行上述操作。
- 对于每一个可能的水平移动
- 每一行
- 累积在阈值内一致的交叉比率数
- Select同意数最多的水平移动。
- 对每个可能的垂直位移重复上述操作，计算各列的交叉比率。
可以通过多种方式将检测到的角点放置在网格中。有一个经常被重新发现的 algorithm 使用拓扑邻近性。思路是首先将每个角与它的一个小window范围内的所有正方形相关联，从而构建一个角->正方形table，然后将其作为图遍历以构建全局table 每个角的偏移量。
好吧，OpenCv 在 C++ 中带有它的函数 findCheckerboardCorners()，就像
bool findChessboardCorners(InputArray image, Size patternSize,
OutputArray corners,
int flags=CALIB_CB_ADAPTIVE_THRESH+CALIB_CB_NORMALIZE_IMAGE )
使用这个功能一段时间后，我了解到的一件事是图案大小必须在很大程度上符合图像，否则算法将拒绝检测任何棋盘。我想知道是否有任何棋盘的随机图像，这个函数会失败，因为输入 patternSize 的精确值是不切实际的。有没有办法，这个函数的 patternSize 可以从提供的图像中获得。任何帮助，将不胜感激。谢谢
patternSize– Number of inner corners per a chessboard row and column
所以patternSize不是图片里面棋盘的大小而是内角的个数。内角的数量与图像内部棋盘的大小无关。
例如下图https://github.com/Itseez/opencv/blob/3.1.0/samples/data/chessboard.png
patternSize 应该是 cv::Size(7,7).
简答：不能。
OpenCV的棋盘格检测代码假定图案是统一的（所有方块的大小都相同），因此，为了唯一定位其在图像中的位置，必须满足以下两个条件：
- 图案完全可见。
- 该模式的行数和列数已知。
如果违反了 1 或 2，则无法知道哪个角是 "top left" 角。
对于更一般的情况，特别是如果您预计图案可能会被部分遮挡，则必须使用不同的算法和非均匀图案，这样角点就可以被唯一识别。
有多种方法可以做到这一点。我最喜欢的图案是 Matsunaga 和 Kanatani 的“二维条形码”，它使用具有独特交叉比的方形长度序列。请参阅论文 here。为了匹配它，一旦你把角排序成一个网格，你可以使用简单的多数表决算法：
- 预先计算所有图案的角的连续 4 元组在水平和垂直方向上的交比。
- 对网格中检测到的角执行上述操作。
- 对于每一个可能的水平移动
- 每一行
- 累积在阈值内一致的交叉比率数
- 每一行
- Select同意数最多的水平移动。
- 对每个可能的垂直位移重复上述操作，计算各列的交叉比率。
可以通过多种方式将检测到的角点放置在网格中。有一个经常被重新发现的 algorithm 使用拓扑邻近性。思路是首先将每个角与它的一个小window范围内的所有正方形相关联，从而构建一个角->正方形table，然后将其作为图遍历以构建全局table 每个角的偏移量。