OpenCV实战：手把手教你完成相机标定与图像畸变校正（Python代码详解）-编程实验室

OpenCV实战：从光学原理到代码实现，全面掌握相机标定与畸变校正

在计算机视觉和机器人领域，相机标定是构建可靠视觉系统的基石。想象一下，当你使用手机拍摄文档时，边缘出现的弯曲现象，或者自动驾驶汽车摄像头捕捉到的道路标志变形——这些都是镜头畸变的典型表现。本文将带你从光学成像的基本原理出发，逐步深入到OpenCV的代码实现，完成从理论到实践的完整跨越。

1. 光学成像基础与相机模型

要理解相机标定的本质，我们需要从最基础的光学原理开始。凸透镜成像规律是理解现代数码相机工作原理的关键：

物距(u)：物体到透镜中心的距离
像距(v)：成像面到透镜中心的距离
焦距(f)：透镜中心到焦点的距离

三者的关系由高斯公式决定：1/u + 1/v = 1/f。这个简单的公式揭示了不同应用场景下的成像特点：

物距范围	成像特点	典型应用
u > 2f	倒立、缩小的实像	照相机、摄像机
u = 2f	倒立、等大的实像	焦距测量
f < u < 2f	倒立、放大的实像	投影仪、幻灯机
u = f	不成像	-
u < f	正立、放大的虚像	放大镜

现代数码相机通过镜头组（相当于凸透镜）和图像传感器（位于像平面）的组合，将三维世界投影到二维图像上。这个过程可以用四种坐标系来描述：

世界坐标系：客观世界的绝对参考系(Xw, Yw, Zw)
相机坐标系：以相机光心为原点的三维坐标系(Xc, Yc, Zc)
图像坐标系：以图像中心为原点的二维坐标系(x, y)，单位通常为毫米
像素坐标系：以图像左上角为原点的离散坐标系(u, v)，单位为像素

这些坐标系之间的转换构成了相机成像的数学模型，也是标定需要确定的核心参数。

2. 相机标定的数学原理与畸变模型

理想的针孔相机模型假设光线沿直线传播，但实际镜头由于制造工艺限制，会引入各种畸变。理解这些畸变的数学表达是进行有效校正的前提。

2.1 相机内参与外参

相机参数可分为两类：

内参矩阵K：

K = [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]

其中fx、fy是焦距的像素表示，cx、cy是主点坐标（图像中心）。

外参[R|t]：旋转矩阵R和平移向量t，描述相机在世界坐标系中的位置和姿态。

2.2 畸变类型与数学模型

实际镜头产生的畸变主要分为两类：

径向畸变：由镜头形状导致，表现为图像中心向边缘的扭曲程度逐渐增大
- 数学模型：$x_{corrected} = x(1 + k_1r^2 + k_2r^4 + k_3r^6)$
- 系数k1、k2、k3控制畸变程度
切向畸变：由镜头与成像平面不平行导致
- 数学模型：$x_{corrected} = x + [2p_1xy + p_2(r^2+2x^2)]$
- 系数p1、p2描述这种不对称畸变

提示：在大多数应用中，考虑k1、k2和p1、p2已经足够，更高阶系数对精度提升有限，但会增加计算复杂度。

OpenCV使用5个参数表示这些畸变系数：distCoeffs = [k1, k2, p1, p2, k3]。标定的核心就是准确估计这些参数。

3. 完整标定流程与OpenCV实现

现在让我们进入实战环节，使用Python和OpenCV完成从拍摄标定板到最终校正的全过程。

3.1 准备标定图像

标定需要一组从不同角度拍摄的棋盘格图像（建议15-20张）。以下是关键注意事项：

棋盘格应占据图像的主要部分，但不要超出画面
尝试不同角度：正对、倾斜、旋转等
确保棋盘格平面清晰可见，避免模糊
光照均匀，避免强烈反光或阴影

import cv2 import numpy as np import glob # 设置棋盘格参数 CHECKERBOARD = (7, 7) # 内部角点数量 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) # 准备对象点：(0,0,0), (1,0,0), (2,0,0) ..., (6,6,0) objp = np.zeros((CHECKERBOARD[0]*CHECKERBOARD[1], 3), np.float32) objp[:,:2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1,2)

3.2 角点检测与参数计算

# 存储所有图像的对象点和图像点 objpoints = [] # 3D点 imgpoints = [] # 2D点 images = glob.glob('calibration_images/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None) if ret: objpoints.append(objp) # 亚像素级精确化 corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners2) # 可视化（可选） img = cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret) cv2.imshow('Corners', img) cv2.waitKey(500) cv2.destroyAllWindows()

3.3 相机标定与结果评估

# 进行相机标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) print("相机矩阵:\n", mtx) print("\n畸变系数:", dist.ravel()) # 评估重投影误差 mean_error = 0 for i in range(len(objpoints)): imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2)/len(imgpoints2) mean_error += error print("\n平均重投影误差: {:.2f}像素".format(mean_error/len(objpoints)))

理想情况下，重投影误差应小于0.5像素。如果误差较大，可能需要检查标定图像质量或增加图像数量。

4. 图像校正与效果优化

获得相机参数后，我们可以对任意图像进行畸变校正。OpenCV提供了两种主要方法：

4.1 基本校正方法

# 读取测试图像 img = cv2.imread('test_image.jpg') h, w = img.shape[:2] # 获取最优新相机矩阵 newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) # 方法1：使用cv2.undistort dst = cv2.undistort(img, mtx, dist, None, newcameramtx) x, y, w, h = roi dst = dst[y:y+h, x:x+w] # 方法2：使用remapping mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w,h), 5) dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR) x, y, w, h = roi dst = dst[y:y+h, x:x+w]

4.2 校正效果对比与参数优化

为了直观展示校正效果，我们可以并排显示原始图像和校正后的图像：

import matplotlib.pyplot as plt plt.figure(figsize=(12,6)) plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原始图像') plt.subplot(122), plt.imshow(cv2.cvtColor(dst, cv2.COLOR_BGR2RGB)), plt.title('校正后图像') plt.show()

常见问题及解决方案：

边缘裁剪过多：
- 调整getOptimalNewCameraMatrix中的alpha参数（0-1之间）
- 手动指定感兴趣区域而非自动裁剪
校正效果不理想：
- 检查标定图像是否覆盖了相机视野的各个区域
- 尝试增加标定图像数量（特别是边缘区域）
- 考虑使用更高阶的畸变模型（k3、k4等）
实时应用性能问题：
- 预计算映射表(mapx, mapy)并重复使用
- 考虑降低图像分辨率或使用GPU加速