别再拍歪了！用OpenCV和Python给相机做个‘体检’，手把手教你搞定相机标定（附完整代码）

别再拍歪了用OpenCV和Python给相机做个‘体检’手把手教你搞定相机标定附完整代码当你用手机拍摄建筑时是否发现直线变成了曲线或者用USB摄像头做AR项目时虚拟物体总是对不准真实场景这些问题往往源于相机镜头的畸变和参数偏差。就像医生用X光片诊断病情我们可以用相机标定技术给镜头做一次全面体检。1. 为什么你的相机需要体检普通镜头就像人眼散光——它们会扭曲现实。广角镜头会让画面边缘的直线弯曲桶形畸变而长焦镜头则可能产生枕形畸变。更隐蔽的是内参误差焦距不准会导致距离测量错误光心偏移会让增强现实的虚拟物体飘在错误位置。典型症状检查表照片边缘的直线明显弯曲用同一相机拍摄的物体在不同距离下尺寸比例异常多视角拍摄时同一物体的几何关系无法对齐注意标定不是一次性工作。更换镜头、撞击相机或环境温度剧烈变化后都需要重新标定。2. 准备你的体检工具包2.1 硬件准备棋盘格标定板推荐A4纸打印(9x6格)确保平整无褶皱固定相机使用三脚架避免抖动手机可用支架固定照明环境均匀漫射光避免反光和阴影干扰# 生成自定义棋盘格(可选) import cv2 import numpy as np pattern_size (9, 6) # 内部角点数量 square_size 30 # 毫米单位 img np.ones((pattern_size[1]*square_size, pattern_size[0]*square_size), dtypenp.uint8)*255 img[::square_size*2, ::square_size*2] 0 img[square_size::square_size*2, square_size::square_size*2] 0 cv2.imwrite(custom_checkerboard.png, img)2.2 拍摄技巧拍摄15-20张不同角度照片倾斜30°~60°确保棋盘格占画面1/3以上面积包含棋盘格位于画面四角和中心的场景常见错误对照表错误类型后果解决方法棋盘格未填满画面边缘畸变数据不足靠近拍摄或使用更大棋盘光照不均角点检测失败增加柔光罩棋盘格弯曲参数计算误差改用硬质标定板3. 运行标定程序从发现问题到解决问题3.1 角点检测实战角点检测是标定的第一步就像体检中的血常规检查import cv2 import glob # 加载图像 images glob.glob(calib_*.jpg) pattern_size (8, 5) # 注意比实际格子数少1 for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 改进的角点检测 ret, corners cv2.findChessboardCornersSB(gray, pattern_size, flagscv2.CALIB_CB_EXHAUSTIVE) if ret: # 亚像素级优化 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) # 可视化 cv2.drawChessboardCorners(img, pattern_size, corners_refined, ret) cv2.imshow(Corners, img) cv2.waitKey(500)调试技巧若检测失败尝试调整CALIB_CB_ADAPTIVE_THRESH等标志位使用cv2.findChessboardCornersSB替代传统方法提高检测率对低对比度图像先进行直方图均衡化处理3.2 参数计算与优化获得角点后真正的标定才开始# 准备三维空间点 (假设棋盘格在Z0平面) objp np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32) objp[:,:2] np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1,2) objpoints [] # 3D点 imgpoints [] # 2D点 # ...(接前面的角点检测代码)... # 标定相机 ret, K, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None, flagscv2.CALIB_FIX_ASPECT_RATIO cv2.CALIB_ZERO_TANGENT_DIST) print(f重投影误差: {ret:.2f}像素) print(内参矩阵K:\n, K) print(畸变系数:\n, dist)关键参数解读重投影误差应0.5像素值越大标定越不准焦距(fx,fy)理想情况应接近传感器尺寸/像元大小主点(cx,cy)应在图像中心附近(误差50像素)畸变系数(k1,k2,p1,p2[,k3])绝对值越大畸变越严重4. 验证与实战应用4.1 畸变校正效果对比# 校正示例 img cv2.imread(test_image.jpg) h, w img.shape[:2] # 优化新相机矩阵 new_K, roi cv2.getOptimalNewCameraMatrix(K, dist, (w,h), 1, (w,h)) undistorted cv2.undistort(img, K, dist, None, new_K) # 并排显示 cv2.imshow(Original vs Undistorted, np.hstack((img, undistorted))) cv2.waitKey(0)效果评估要点边缘直线是否变直中心区域内容是否保持原样校正后图像是否有黑边需调整ROI参数4.2 增强现实中的坐标转换标定的终极价值在于真实-虚拟世界的坐标映射# 将3D点投影到图像 object_pts np.array([[0,0,0], [1,0,0], [0,1,0], [0,0,1]], dtypenp.float32) img_pts, _ cv2.projectPoints(object_pts, rvec, tvec, K, dist) # 在图像上绘制3D坐标系 colors [(0,0,255), (0,255,0), (255,0,0)] # RGB对应XYZ for i in range(1,4): cv2.line(img, tuple(img_pts[0].ravel()), tuple(img_pts[i].ravel()), colors[i-1], 3)在三维重建项目中我发现标定精度直接影响点云质量。曾经因为主点坐标偏差20像素导致重建物体出现明显倾斜。后来通过增加标定图片数量30张以上和优化拍摄角度将重投影误差控制在0.3像素内问题才得到解决。