当前位置：首页 > news >正文

摄像头畸变矫正

news 来源：原创 2025/9/20 7:45:08

简单介绍

所谓畸变其实就是由摄像头引起的图片失真, 一般在广角摄像头表现明显, 原本平整的桌面通过镜头看像个球面, 直观的解释直线被拍成了曲线, 这让我想起来了一个表情包.

去畸变的办法

首先我们需要一个标准棋盘(印有特定的标定图案), 如图:

把它摊平放在桌子上, 然后用需要去畸变的相机对它进行拍摄, 拍几张(10~20张差不多)不同角度的棋盘图片, 保存好. 然后我们有两种方法进行畸变矫正.

1. 借助matlab的Camera Calibration Toolbox工具

我们打开matlab,

在应用程序这里.

找到 Camera Calibration, 然后点击打开.

然后点击Add Images添加图片,

这里会弹出此弹框, 意思是选择我们棋盘格子的大小, 根据实际情况选择就行.

添加后会显示角点, 如果有不清楚的或者识别错误，红色边框, 可以删掉换一张图片就行.

导入多张图片后, 直接点击Calibrate 开始标定

完成后大致如上图, 会显示各个参数

重投影误差（Reprojection Error）：理想情况下应 < 0.5 像素.
相机内参：

1. 焦距（Focal Length）
2. 主点（Principal Point）
3. 畸变系数（Radial, Tangential）
  新版有这两项

可视化：

Show Undistorted Images 查看校正效果。
Plot Reprojection Errors 分析误差分布。
我2016版本并没有这个框

确认无误后可以点击 Export Camera Parameters导出数据, 则会导出到workspace当中生成mat文件
当然也可以点击第二个生成matlab代码进行后续操作

2. 使用OpenCV进行标定

OpenCV是计算机视觉库, 可以用来进行图像处理, 里面有很多函数, 我们可以借助它来进行畸变矫正.
首先我们将拍摄的照片全部保存到一个文件夹中然后, 然后我们需要手动指定实际拍摄图片中有多少个棋盘角点.
比如说这张图片, 是 9 X 5 的棋盘

对于所有的图片, 我们都需要进行同样的操作, 然后保存到列表中.类似于

# 每张图片的棋盘格参数, 9 X 6 格大小objp_dict = {1: (9, 5),2: (9, 6),3: (9, 6),4: (9, 6),5: (9, 6),6: (9, 6),7: (9, 6),8: (9, 6),9: (9, 6),10: (9, 6),11: (9, 6),12: (9, 6),13: (9, 6),14: (9, 6),15: (9, 6),16: (9, 6),17: (9, 6),18: (9, 6),19: (9, 6),20: (9, 6),}

根据指定的大小获取三维(np.zeros((nx*ny, 3), np.float32)) 理论坐标

    objp_list = []		 # 存储对象点corners_list = []	 # 存储角点# 遍历objp_dict的每个参数for k in objp_dict:nx, ny = objp_dict[k]	# 取出长宽# (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)objp = np.zeros((nx*ny, 3), np.float32)	              # 生成三维坐标，即每个点理论坐标应该是多少objp[:, : 2] = np.mgrid[0:nx, 0:ny].T.reshape(-1, 2)  # 生成x和y的坐标，z坐标都是0

读取图片通过 cv2.cvtColor(灰度化) 和 cv2.findChessboardCorners(棋盘角点) 寻找真实的情况

# 对于识别的点应该的坐标序号初始化好后, 开始来读取图片中每个点的真实位置fname = 'camera_cal/calibration%s.jpg' % str(k)img = cv2.imread(fname)	# 读取一张图片# 转成灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 检测角点ret, corners = cv2.findChessboardCorners(gray, (nx, ny), None)

将返回值保存到列表中

        if ret == True:	 # 成功检测到了# Save object points and corresponding cornersobjp_list.append(objp)	#corners_list.append(corners)

将列表带入 cv2.calibrateCamera 中即可得到参数内参矩阵（mtx）和畸变系数（dist）

    img = cv2.imread('test_images/straight_lines1.jpg')		# 这里得保证所有图像的大小一致img_size = (img.shape[1], img.shape[0])		# 获取测试图片的尺寸#  获取相关参数ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objp_list, corners_list, img_size,None,None)

最后使用 cv2.undistort 将图片进行去畸变即可

# 去畸变img = mpimg.imread('camera_cal/calibration5.jpg')	 #  读取图像dst = cv2.undistort(img, mtx, dist, None, mtx)

下面来康康完整代码:

import numpy as np
import cv2
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import pickledef calibrate_camera():# Mapping each calibration image to number of checkerboard corners# Everything is (9,6) for now# 每张图片的棋盘格参数, 9 X 6 格大小objp_dict = {1: (9, 5),2: (9, 6),3: (9, 6),4: (9, 6),5: (9, 6),6: (9, 6),7: (9, 6),8: (9, 6),9: (9, 6),10: (9, 6),11: (9, 6),12: (9, 6),13: (9, 6),14: (9, 6),15: (9, 6),16: (9, 6),17: (9, 6),18: (9, 6),19: (9, 6),20: (9, 6),}# List of object points and corners for calibrationobjp_list = []		 # 存储对象点corners_list = []	 # 存储角点# Go through all images and find corners# 遍历objp_dict的每个参数for k in objp_dict:nx, ny = objp_dict[k]	# 取出长宽# Prepare object points, like (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)objp = np.zeros((nx*ny, 3), np.float32)	              # 生成三维坐标，即每个点理论坐标应该是多少objp[:, : 2] = np.mgrid[0:nx, 0:ny].T.reshape(-1, 2)  # 生成x和y的坐标，z坐标都是0# 对于识别的点应该的坐标序号初始化好后, 开始来读取图片中每个点的真实位置# Make a list of calibration imagesfname = 'camera_cal/calibration%s.jpg' % str(k)img = cv2.imread(fname)	# 读取一张图片# Convert to grayscale	转成灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Find the chessboard corners# 检测角点ret, corners = cv2.findChessboardCorners(gray, (nx, ny), None)# If found, save & draw cornersif ret == True:	 # 成功检测到了# Save object points and corresponding cornersobjp_list.append(objp)	#corners_list.append(corners)# Draw and display the corners#cv2.drawChessboardCorners(img, (nx, ny), corners, ret)#plt.imshow(img)#plt.show()#print('Found corners for %s' % fname)else:	# 否则没有检测到print('Warning: ret = %s for %s' % (ret, fname))# Calibrate camera and undistort a test imageimg = cv2.imread('test_images/straight_lines1.jpg')		# 这里得保证所有图像的大小一致img_size = (img.shape[1], img.shape[0])		# 获取测试图片的尺寸#  获取相关参数ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objp_list, corners_list, img_size,None,None)return mtx, distif __name__ == '__main__':mtx, dist = calibrate_camera()save_dict = {'mtx': mtx, 'dist': dist}		# 得到数据#  将mtx和dist通过pickle保存至calibrate_camera.p中#  pickle库将此序列转化成二进制字节流存入.p文件中, wb：w--写入, b--以二进制形式with open('calibrate_camera.p', 'wb') as f:pickle.dump(save_dict, f)# Undistort example calibration image# 去畸变img = mpimg.imread('camera_cal/calibration5.jpg')	 #  读取图像dst = cv2.undistort(img, mtx, dist, None, mtx)plt.imshow(dst)	# 显示矫正结果plt.savefig('example_images/undistort_calibration.png')		# 然后保存图片

参考资料:
代码来自github的开源项目
Lane Detection with OpenCV
十年前的牢项目了, 还是很有参考意义的
上海交通大学AuTop战队开源算法讲解(三)标定与透视变换
摄像头校准之白平衡&畸变&坏点

简单介绍

去畸变的办法

1. 借助matlab的Camera Calibration Toolbox工具

2. 使用OpenCV进行标定

相关文章：