计算机视觉——基于使用 OpenCV 与 Python 实现相机标定畸变校正

概述

相机标定是一种旨在通过确定相机的内参（焦距、光学中心、畸变系数）和外参（相机的位置和方向），提高图像在现实世界中的几何精度的过程。该过程可以纠正相机拍摄的图像中的畸变，使相机能够准确感知现实世界中的距离、角度和物体。一个很好的例子是纠正鱼眼相机拍摄的图像。

一、什么是相机标定

相机通过将其投影到二维平面上来捕捉现实世界。然而，由于光学元件和镜头的结构特性，这些图像可能会出现误差。最常见的误差是畸变和透视误差。相机标定通过计算相机的内参和外参来纠正这些误差，从而实现更准确的测量和几何计算。

关键参数

1. 内参

   • 焦距：根据镜头的焦距确定图像的大小。
   • 光学中心（主点）：相机镜头的中心点。
   • 畸变系数：用于纠正镜头畸变，如桶形畸变和枕形畸变。（你可以在图 1 中清楚地看到这一点。）

   注意：术语“畸变”指的是镜头引起的误差，如变形或弯曲。

   

2. 外参

   • 相机位置：相机相对于世界的位置（x、y、z 坐标）。
   • 相机方向：相机相对于世界的视角（旋转角度）。

   

二、如何进行相机标定

通常使用已知的几何图案（如棋盘格）进行相机标定。该图案的已知尺寸和位置用作参考，以检测相机图像中的畸变。 标定过程包括以下步骤：

1. 图像采集：要进行相机标定，你需要一组至少 15 张从不同角度拍摄的棋盘格图案的图像。该图案的角点有助于检测图像中的畸变。
2. 角点检测：在每张图像中检测棋盘格图案的角点。正确检测这些角点对于准确标定至关重要。
3. 内参和外参的计算：根据相机图像中的角点与它们的真实世界坐标之间的差异，优化并计算相机的内参和外参。通常使用 AI 算法或数学优化技术进行此计算。
4. 畸变纠正：使用计算出的参数纠正图像中的畸变，去除非线性镜头畸变。
5. 验证：为了测试标定的准确性，用相机拍摄一张新图像，并应用标定参数来纠正图像。然后观察纠正的准确性。

三、使用 OpenCV 在 Python 中进行相机标定

OpenCV 是 Python 中用于相机标定最常用的库之一。OpenCV 提供了相机标定和畸变纠正所需的函数。以下是简单的标定示例：

import cv2
import numpy as np
import glob# 棋盘格的尺寸（内部角点的数量）
grid_size = (9, 6)# 每个正方形的实际尺寸（2 厘米）
square_size = 2  # 厘米# 棋盘格的 3D 世界坐标
obj_points = np.zeros((grid_size[0] * grid_size[1], 3), np.float32)
obj_points[:, :2] = np.mgrid[0:grid_size[0], 0:grid_size[1]].T.reshape(-1, 2) * square_size# 用于存储标定所需点的列表
object_points = []  # 3D 世界坐标
image_points = []  # 2D 图像坐标# 存放标定图像的文件夹
images = glob.glob('calibration_images/*.jpg')for fname in images:img = cv2.imread(fname)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 查找棋盘格的角点ret, corners = cv2.findChessboardCorners(gray, grid_size, None)if ret:object_points.append(obj_points)image_points.append(corners)# 可视化角点cv2.drawChessboardCorners(img, grid_size, corners, ret)cv2.imshow('Chessboard Corners', img)cv2.waitKey(500)cv2.destroyAllWindows()# 执行标定
ret, camera_matrix, dist_coeffs, rvecs, tvecs = cv2.calibrateCamera(object_points, image_points, gray.shape[::-1], None, None
)# 保存相机矩阵和畸变系数
np.savez('calibration_data.npz', camera_matrix=camera_matrix, dist_coeffs=dist_coeffs)# 打印标定结果
print("Camera Matrix:\n", camera_matrix)
print("Distortion Coefficients:\n", dist_coeffs)

四、代码解释

import cv2
import numpy as np
import glob

• cv2（OpenCV）：我们导入 OpenCV，这是一个用于图像处理的库。该库提供了许多用于相机标定和图像处理的函数。
• numpy（np）：我们导入 NumPy，以便轻松进行数值运算和处理数组。
• glob：用于组织文件路径并列出文件夹中的文件。在这里，它用于获取包含标定图像的文件夹中的所有图像。

grid_size = (9, 6)

• grid_size：指定棋盘格上内部角点的数量。在此示例中，棋盘格图案有 9 列和 6 行角点（9 列 × 6 行 = 54 个角点）。此值应与实际使用的棋盘格匹配。

square_size = 2  # cm

• square_size：棋盘格上的每个正方形的实际边长设置为 2 厘米。

obj_points = np.zeros((grid_size[0] * grid_size[1], 3), np.float32)
obj_points[:, :2] = np.mgrid[0:grid_size[0], 0:grid_size[1]].T.reshape(-1, 2) * square_size

• obj_points：我们创建棋盘格角点在真实世界坐标中的 3D 位置。每个角点的 Z 轴值设置为 0。
• np.zeros((grid_size[0] * grid_size[1], 3), np.float32)：创建一个 3D 空矩阵，为每个角点包含（x、y、z）坐标。
• np.mgrid[0:grid_size[0], 0:grid_size[1]]：生成棋盘格上角点的（x、y）坐标。

注意：mgrid 是 NumPy 的一个函数，用于创建多维网格结构，其语法为 mgrid[start:end:step]。

例如：

# 二维网格（网格）
x, y = np.mgrid[0:3, 0:3]
print("X:\n", x)
print("Y:\n", y)

输出：

X:[[0 0 0][1 1 1][2 2 2]]
Y:[[0 1 2][0 1 2][0 1 2]]

• T.reshape(-1, 2)：将二维角点转换为单个矩阵。

object_points = []  # 3D 世界坐标
image_points = []  # 2D 图像坐标

• object_points：一个列表，用于存储每张图像的 3D 真实世界棋盘格角点。
• image_points：一个列表，用于存储每张图像的 2D 图像角点。

images = glob.glob('calibration_images/*.jpg')

• images：查找 calibration_images 文件夹中的所有 .jpg 文件，并将它们存储在一个列表中。这些是用于标定的棋盘格图案图像。

for fname in images:img = cv2.imread(fname)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

• 此循环处理每张图像：
  • cv2.imread(fname)：读取由 fname 指定的图像。
  • cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)：将读取的图像从彩色（BGR）转换为灰度。在灰度图像上检测棋盘格图案更容易。

ret, corners = cv2.findChessboardCorners(gray, grid_size, None)

• cv2.findChessboardCorners：尝试在灰度图像中查找棋盘格的角点。
• ret：一个标志（True/False），指示是否成功找到棋盘格的角点。
• corners：检测到的图像中角点的 2D 坐标。

if ret:object_points.append(obj_points)image_points.append(corners)

• 如果 ret 为 True，即成功找到棋盘格的角点：
  • object_points.append(obj_points)：将 3D 真实世界坐标添加到列表中。
  • image_points.append(corners)：将 2D 图像坐标添加到列表中。

cv2.drawChessboardCorners(img, grid_size, corners, ret)
cv2.imshow('Chessboard Corners', img)
cv2.waitKey(500)

• cv2.drawChessboardCorners：通过在图像上绘制线条来可视化检测到的棋盘格角点。
• cv2.imshow：在一个新窗口中显示带有检测到的角点的图像。
• cv2.waitKey(500)：显示图像 500 毫秒（0.5 秒）。

cv2.destroyAllWindows()

• cv2.destroyAllWindows：关闭所有打开的窗口。

ret, camera_matrix, dist_coeffs, rvecs, tvecs = cv2.calibrateCamera(object_points, image_points, gray.shape[::-1], None, None
)

• camera_matrix：一个包含相机内参（焦距、光学中心等）的矩阵。
• dist_coeffs：镜头畸变系数。
• rvecs：旋转向量。
• tvecs：平移向量。
• cv2.calibrateCamera：执行相机标定。该函数根据真实世界 3D 点与其在图像中的对应 2D 点之间的关系计算相机参数。
• object_points：3D 真实世界坐标。
• image_points：图像中的 2D 投影坐标。
• gray.shape[::-1]：图像分辨率（宽度和高度）。
• camera_matrix（默认值：None）—— calibrateCamera 的参数：这是一个 3×3 矩阵，表示相机的内参（焦距、主点等）。如果提供为 None，这些参数将由函数计算。如果你有一个已知的相机矩阵，你可以在这里提供它。
• dist_coeffs（默认值：None）—— calibrateCamera 的参数：这是一个表示畸变系数（畸变）的向量。如果提供为 None，畸变系数将由函数计算。

注意：提供 **camera_matrix=None** 和 **dist_coeffs=None** 的原因是你希望计算这些参数并获得标定的结果。 在你的代码中，你试图从特定图像中推导出相机的内参和镜头畸变系数（camera_matrix 和 dist_coeffs）。

• flags（可选）：这些是用于在标定期间指定某些选项的标志。例如：
  • cv2.CALIB_USE_INTRINSIC_GUESS：启用内参（相机矩阵和畸变系数）的初始猜测。
  • cv2.CALIB_FIX_PRINCIPAL_POINT：固定主点。
  • cv2.CALIB_FIX_ASPECT_RATIO：固定纵横比。
• criteria（可选）：指定迭代标准。这是优化过程的停止条件，通常与 cv2.TERM_CRITERIA_MAX_ITER 和 cv2.TERM_CRITERIA_EPS 等选项一起使用。

np.savez('calibration_data.npz', camera_matrix=camera_matrix, dist_coeffs=dist_coeffs)

• np.savez：将计算出的相机矩阵和畸变系数保存到名为 calibration_data.npz 的文件中。此文件允许你稍后重用标定参数。

print("Camera Matrix:\n", camera_matrix)
print("Distortion Coefficients:\n", dist_coeffs)

• print：在屏幕上显示 camera_matrix（内参）和 dist_coeffs。

此代码使用 OpenCV 进行相机标定，并保存结果。相机标定对于纠正图像中的畸变以及进行准确测量至关重要。

五、标定结果中你将获得的值

在这一过程结束时，camera_matrix 和 dist_coeffs 将由函数计算并返回：

camera_matrix

该矩阵包含相机的内参（焦距、主点等）。它用于了解相机镜头的特性以及透视变换。它是一个 3×3 矩阵，可能如下所示：

在这里，f_x 和 f_y 是相机沿水平和垂直方向的焦距（以像素为单位），c_x 和 c_y 是图像平面上主点的像素坐标（通常是图像的中心）。

什么是主点？ 主点表示图像的光学中心，并定义了相机镜头与图像平面之间的关系。如果相机的光轴偏离中心，这种偏移可以通过 c_x 和 c_y 坐标检测到。

示例：
假设你的相机分辨率为 1920×1080 像素，标定后你获得以下 camera_matrix：

• f_x = 1200 和 f_y = 1200：沿水平和垂直方向的焦距。
• c_x = 960 和 c_y = 540：主点的坐标，位于图像平面的中心（960 和 540 表示中心点，因为你的分辨率为 1920×1080）。

dist_coeffs

该向量包含镜头的畸变系数。这些系数用于纠正镜头的几何畸变（例如桶形畸变或枕形畸变）。

通常，该向量包含以下系数：

这些系数：

1. k_1、k_2、k_3：径向畸变系数。这些系数用于纠正桶形或枕形畸变。如果图像中的畸变随着距离中心的增加而变得更加明显，这就是径向畸变，k_1、k_2 和 k_3 用于纠正这种畸变。k_1 纠正靠近图像中心的畸变。k_2 纠正向图像边缘的较大畸变。k_3 对远离中心的点（尤其是边缘）进行微调，特别是对于边缘处的畸变。

   桶形畸变：一种向边缘膨胀的畸变。

   枕形畸变：一种向边缘收缩的畸变。

2. p_1、p_2：切向畸变系数。当镜头与传感器未完美对齐时，会发生这种畸变。如果镜头未完美居中或存在轴向偏移，图像倾向于向边缘偏移。p_1 和 p_2 用于纠正这种倾斜。p_1 纠正沿 x 轴（水平平面）的偏移或畸变。p_2 纠正沿 y 轴（垂直平面）的偏移或畸变。

   什么是径向畸变和切向畸变？

   径向畸变：这些畸变导致图像中的直线随着距离中心的增加而弯曲。k_1、k_2 和 k_3 用于纠正这些曲线。

   切向畸变：当镜头与传感器不完全垂直时发生，导致图像向边缘偏移。p_1 和 p_2 用于纠正这些偏移。

3. k_4、k_5、k_6（可选）：高阶径向畸变系数。这些参数用于纠正更复杂的畸变，例如来自超广角镜头的畸变。它们通常不用于标准标定，但在需要更精确的校正时可以应用。

示例：

dist_coeffs = [0.1, -0.25, 0.001, 0.002, 0.03]

• k_1 = 0.1 和 k_2 = -0.25：用于纠正径向畸变的系数。
• p_1 = 0.001 和 p_2 = 0.002：用于纠正切向畸变的系数。
• k_3 = 0.03：一个高阶径向畸变系数。

K 和 P 的值越大，校正效果越强。随着它们的减小，校正效果减弱。