围棋棋盘标定：基于 9 星位点的透视校正方案

核心思想：围棋棋盘有 9 个固定位置的星位标记点（座子点），它们构成一个已知的 3×3 网格。检测这 9 个点即可直接求解透视变换，一步到位地映射出全部 361 个棋盘点。

为什么用星位点？

对比	传统边缘/直线方案	星位点方案
依赖	棋盘边框清晰	星位圆点可见
遮挡容忍度	边缘被棋子遮挡就失败	只被遮 1-2 个星位仍可工作
计算量	边缘检测+直线提取+交点	斑点检测+单应矩阵
参数数量	大量阈值需要调	基本只需要斑点大小
棋盘类型	必须可见边框	任意标准围棋棋盘
精度	取决于直线拟合质量	单应矩阵内插，天然平滑

整体流程

┌──────────┐    ┌──────────────┐    ┌──────────────┐    ┌──────────────┐    ┌──────────┐
│ 摄像头采集 │ ─→ │ 预处理         │ ─→ │ 星位点检测     │ ─→ │ 点身份识别     │ ─→ │  透视校正 │
└──────────┘    │ · 灰度化       │    │ · 二值化      │    │ · 排序+分组    │    │  单应矩阵 │
                │ · CLAHE 均衡   │    │ · 斑点检测    │    │ · 模式匹配    │    │  H(3×3)  │
                └──────────────┘    └──────────────┘    └──────────────┘    └──────┬───┘
                                                                                  │
                                                                                  ▼
                                                                        ┌──────────────┐
                                                                        │ 交点网格生成   │
                                                                        │ 361 个交点坐标 │
                                                                        └──────────────┘

第一步：预处理

目标：增强星位黑点与棋盘底色的对比度。

输入: BGR 图像
  → cv::cvtColor(BGR → GRAY)
  → cv::GaussianBlur(ksize=5, sigma=1.0)
  → cv::createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
输出: 对比度增强的灰度图

关键点：

高斯模糊先做，避免木纹纹理被 CLAHE 放大
CLAHE 是必须的——真实场景光照往往不均匀（窗边/灯光/阴影）

第二步：星位点检测

星位点是棋盘上的黑色实心圆点，直径约为棋盘格子宽度的 1/6 ~ 1/5。

方法 1：SimpleBlobDetector（推荐起步方案）

# OpenCV SimpleBlobDetector 参数
params = cv2.SimpleBlobDetector_Params()
params.filterByArea   = True
params.minArea        = 10      # 根据分辨率调整
params.maxArea        = 200
params.filterByCircularity = True
params.minCircularity = 0.7     # 圆形度
params.filterByConvexity = True
params.minConvexity   = 0.8
params.filterByColor  = True
params.blobColor      = 0       # 检测黑色圆形(深色)

detector = cv2.SimpleBlobDetector_create(params)
keypoints = detector.detect(gray)

方法 2：自适应阈值 + 轮廓筛选（更可控）

二值化 (自适应阈值, 反色, 使得黑点变白)
  → cv::findContours
  → 对每个轮廓筛选:
      · area 在 [min_area, max_area] 之间
      · 圆形度 ≈ 1  (4π * area / perimeter²)
      · convexHull 面积 / 原始面积 ≈ 1
  → 取轮廓质心作为星位点坐标

两者对比：

特性	SimpleBlobDetector	自适应阈值+轮廓
实现难度	一行调用	需要手动调参
抗光照	一般	好（自适应阈值）
误检率	棋子边缘可能误检	圆形度筛选更准
推荐	快速原型	生产级

方法 3：归一化互相关模板匹配（最强鲁棒）

创建星位点模板 (黑色圆盘, 半径 = 预估值)
  → cv::matchTemplate(image, template, TM_CCOEFF_NORMED)
  → 找相关系数 > 0.6 的局部极大值
  → 非极大值抑制 (NMS)
  → 得到候选星位点

第三步：星位点身份识别

检测到 ~9 个候选点后，需要确定"第 i 个点对应棋盘上哪个星位”。

3.1 坐标排序

已知: 9 个像素坐标 {(x_i, y_i)}
未知: 每个点对应的棋盘坐标 (row, col) ∈ {3, 9, 15} × {3, 9, 15}

算法:
  1. 计算候选点的 2D 质心 C = (mean(x_i), mean(y_i))
  
  2. 对 9 个点按到质心的距离排序，最近的点 = 天元 (9, 9)
     或：按 y 坐标排序分 3 组（上/中/下）
        每组内按 x 坐标排序分 3 组（左/中/右）

  3. 赋予棋盘坐标:
     row ∈ {3, 9, 15}  → 从上到下
     col ∈ {3, 9, 15}  → 从左到右

3.2 最小二乘验证

用 9 组 (pixel, board) 对应点拟合仿射变换:
  pixel = A · board + b
  
计算拟合残差:
  如果某个点的残差 > 2×标准差 → 误检或偏差过大
  → 剔除该点，用剩余点重新拟合
  
如果剩余点数 ≥ 4:
  → 满足 findHomography 的最低要求
  → 降级为单应矩阵计算

3.3 特殊情况的处理

检测到 10+ 个点:
  → 棋子或木纹被误检
  → 用 RANSAC findHomography 自动剔除离群点

检测到 5-8 个点:
  → 部分星位被棋子遮挡
  → 最少 4 个即可计算 H
  → 但会降低精度，建议用 ≥ 6 个点

检测到 < 4 个点:
  → 极差光照或棋盘无星位标记
  → 降级到 Hough 直线检测方案（回退策略）

第四步：透视校正

有了 ≥4 组对应点，计算单应矩阵 H：

棋盘坐标 (归一化到 [0,1]):
  star_board[i] = (col/18, row/18)  其中 col,row ∈ {3,9,15}

像素坐标:
  star_pixel[i] = 检测到的斑点中心

求解:
  H = cv::findHomography(star_board, star_pixel, cv::RANSAC)

然后用 H 计算全部 361 个棋盘点：

grid_points = []     # 棋盘坐标 → 像素坐标
grid_pixel  = []     # 像素坐标列表

for row in range(19):
    for col in range(19):
        # 归一化棋盘坐标
        board_pt = np.array([col/18.0, row/18.0, 1.0])
        # 映射到像素坐标
        pixel_pt = H @ board_pt
        pixel_pt /= pixel_pt[2]    # 齐次坐标归一化
        
        grid_points.append((row, col))
        grid_pixel.append((pixel_pt[0], pixel_pt[1]))

此时得到：361 个 (row, col) → (px, py) 的完整映射表。

第五步：后验证（可选）

检查投影网格是否合理：

验证项:
  1. 网格线是否近似等间距？
     → 计算相邻水平线间距的标准差 < 阈值

  2. 四个角点是否在图像范围内？
     → (0,0) (18,0) (0,18) (18,18) 的像素位置

  3. 天元(9,9)是否落在预期的棋盘中心区域？
     → 用初始星位检测的天元位置交叉验证

第六步：棋子识别（可选，但有了网格后很自然）

有了 361 个精确的坐标点，棋子识别变得极其简单：

对每个 (row, col):
  1. 取 5×5 或 7×7 像素的 ROI
  2. 计算 ROI 的灰度均值
  3. 分类:
      mean < T_black  → 黑子 (B)
      mean > T_white  → 白子 (W)  
      否则            → 空位 (.)

改进：用 HSV 的 V 通道代替灰度，对光照更鲁棒。

与原始方案的对比

原始思路：
  预处理 → Canny → 找轮廓 → 透视校正 → Hough 直线 → 361 交点
  问题：依赖棋盘边框、受棋子遮挡影响大、参数多

星位点方案：
  预处理 → 斑点检测 → 身份识别 → 单应矩阵 → 361 交点
  优势：9 个已知点直接求解、抗遮挡、参数少、精度高

OpenCV API 速查

// 预处理
cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);
cv::GaussianBlur(gray, gray, cv::Size(5,5), 1.0);
cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.0, cv::Size(8,8));
clahe->apply(gray, gray);

// 斑点检测
cv::Ptr<cv::SimpleBlobDetector> detector = cv::SimpleBlobDetector::create(params);
detector->detect(gray, keypoints);
// keypoint.pt  → (x, y) 像素坐标

// 单应矩阵
std::vector<cv::Point2f> src(star_board);   // 棋盘归一化坐标 (9个)
std::vector<cv::Point2f> dst(star_pixel);   // 像素坐标 (9个)
cv::Mat H = cv::findHomography(src, dst, cv::RANSAC);

// 投影交点
cv::Mat boardPt = (cv::Mat_<double>(3,1) << col/18.0, row/18.0, 1.0);
cv::Mat pixelPt = H * boardPt;
pixelPt /= pixelPt.at<double>(2);

// 棋子检查 (每个交点)
cv::Rect roi(pixel.x - 4, pixel.y - 4, 8, 8);
double meanGray = cv::mean(gray(roi))[0];

参数调优指南

参数	含义	建议初始值	如何调整
`blob_minArea`	星位点最小像素面积	10	太小时出现噪点误检
`blob_maxArea`	星位点最大像素面积	200	太小会漏检近处的星位
`minCircularity`	最小圆形度	0.7	降低可获得更多候选，但误检增加
`CLAHE_clipLimit`	对比度增强幅度	2.0	光照越差越大
`RANSAC_thresh`	离群点距离阈值	3.0 px	星位检测精度越高可设越小

总结

9 星位方案的核心优势：

9 个天然标记点 — 不需要贴标定板，棋盘自带
几何约束强 — 9 个点的空间关系完全已知 {(3,3), (3,9), (3,15), …}
一步到位 — 检测 → 单应 → 361 交点，中间没有复杂的直线拟合
容错性好 — RANSAC 自动剔除误检/遮挡点，6 个点就够用
计算量小 — 适合 ESP32-CAM 实时处理（斑点检测可用神经网加速）

典型精度： 星位像素误差 < 2px 时，内插交点误差 < 1px，足够棋子识别使用。

为什么用星位点？#

整体流程#

第一步：预处理#

第二步：星位点检测#

方法 1：SimpleBlobDetector（推荐起步方案）#

方法 2：自适应阈值 + 轮廓筛选（更可控）#

方法 3：归一化互相关模板匹配（最强鲁棒）#

第三步：星位点身份识别#

3.1 坐标排序#

3.2 最小二乘验证#

3.3 特殊情况的处理#

第四步：透视校正#

第五步：后验证（可选）#

第六步：棋子识别（可选，但有了网格后很自然）#

与原始方案的对比#

OpenCV API 速查#

参数调优指南#

总结#