针孔与鱼眼相机模型 OpenCV 4.8 实战：5步完成图像去畸变与坐标转换

针孔与鱼眼相机模型 OpenCV 4.8 实战：5步完成图像去畸变与坐标转换

在计算机视觉和SLAM领域，相机模型的理解与实操是构建三维感知的基础能力。本文将聚焦OpenCV 4.8中针孔与鱼眼相机模型的工程实现，通过对比两种模型的API差异，提供可直接集成到项目中的代码方案。

1. 核心概念与OpenCV实现差异

针孔与鱼眼相机最本质的区别在于投影函数的设计。针孔模型遵循线性透视投影，而鱼眼模型采用非线性投影以覆盖更大视场角。OpenCV 4.8为两者提供了不同的API接口：

关键差异说明：

• 鱼眼模型的畸变参数比针孔模型多一个k4项，用于更高阶的径向畸变校正
• 鱼眼标定需要额外考虑投影模型类型（等距/等立体角等）
• 两种模型的坐标系定义一致，但鱼眼处理时需要归一化到单位球面

2. 相机标定实战步骤

2.1 数据准备

使用棋盘格标定板采集至少15张不同角度的图像，建议覆盖图像各个区域：

import cv2 import numpy as np # 标定板参数 pattern_size = (9, 6) # 内角点数量 square_size = 0.025 # 方格实际大小(米) # 准备对象点 (0,0,0), (1,0,0), ..., (8,5,0) 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) * square_size # 存储检测到的角点 objpoints = [] # 3D点 imgpoints = [] # 2D点 # 检测角点 for img_path in image_paths: img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: objpoints.append(objp) corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)) imgpoints.append(corners_refined)

2.2 标定参数计算

针孔模型标定：

ret, K, D, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None)

鱼眼模型标定：

flags = cv2.fisheye.CALIB_RECOMPUTE_EXTRINSIC + cv2.fisheye.CALIB_CHECK_COND criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-6) ret, K, D, rvecs, tvecs = cv2.fisheye.calibrate( objpoints, imgpoints, gray.shape[::-1], None, None, flags=flags, criteria=criteria)

注意：鱼眼标定需要设置特定flag和收敛条件，否则可能得到不合理结果

3. 图像去畸变实战

3.1 针孔模型去畸变

# 计算最优新相机矩阵 h, w = distorted_img.shape[:2] new_K, roi = cv2.getOptimalNewCameraMatrix(K, D, (w,h), 1, (w,h)) # 去畸变 undistorted_img = cv2.undistort(distorted_img, K, D, None, new_K)

3.2 鱼眼模型去畸变

# 鱼眼需要单独计算映射 map1, map2 = cv2.fisheye.initUndistortRectifyMap( K, D, np.eye(3), K, (w,h), cv2.CV_16SC2) # 重映射 undistorted_img = cv2.remap(distorted_img, map1, map2, interpolation=cv2.INTER_LINEAR, borderMode=cv2.BORDER_CONSTANT)

性能对比：

• 针孔undistort()直接处理速度更快
• 鱼眼initUndistortRectifyMap()+remap()适合视频流处理

4. 坐标转换核心API

4.1 3D到2D投影

针孔模型：

# 旋转向量转旋转矩阵 rvec = np.array([0.1, 0.2, 0.3]) # 示例旋转 R, _ = cv2.Rodrigues(rvec) # 3D点投影 points_3d = np.array([[0,0,1], [1,0,2]], dtype=np.float32) points_2d, _ = cv2.projectPoints(points_3d, rvec, tvec, K, D)

鱼眼模型：

points_2d = cv2.fisheye.projectPoints( points_3d[np.newaxis], rvec, tvec, K, D)[0]

4.2 2D到3D反投影

针孔模型：

# 去畸变后的归一化坐标 points_undistorted = cv2.undistortPoints( points_2d, K, D, P=new_K) # 转为3D射线 (Z=1) points_3d_rays = cv2.convertPointsToHomogeneous(points_undistorted)

鱼眼模型：

# 鱼眼反投影得到单位球面坐标 points_3d_rays = cv2.fisheye.undistortPoints( points_2d[np.newaxis], K, D)[0]

5. 工程实践技巧

5.1 参数验证方法

验证标定结果可靠性的代码片段：

def check_reprojection_error(objpoints, imgpoints, rvecs, tvecs, K, D, model_type): mean_error = 0 for i in range(len(objpoints)): if model_type == 'pinhole': imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], K, D) else: imgpoints2 = cv2.fisheye.projectPoints( objpoints[i][np.newaxis], rvecs[i], tvecs[i], K, D)[0] error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) mean_error += error print(f"Mean reprojection error: {mean_error/len(objpoints):.3f} pixels")

5.2 鱼眼到针孔的视图转换

将鱼眼图像转换为虚拟针孔相机视图：

# 定义虚拟针孔相机参数 pinhole_width = 800 pinhole_height = 600 pinhole_fov = 90 # 视场角(度) # 计算虚拟内参 f = pinhole_width / (2 * np.tan(np.radians(pinhole_fov)/2)) pinhole_K = np.array([ [f, 0, pinhole_width/2], [0, f, pinhole_height/2], [0, 0, 1]]) # 生成映射 map_x = np.zeros((pinhole_height, pinhole_width), np.float32) map_y = np.zeros((pinhole_height, pinhole_width), np.float32) for v in range(pinhole_height): for u in range(pinhole_width): # 反投影到3D射线 x = (u - pinhole_K[0,2]) / pinhole_K[0,0] y = (v - pinhole_K[1,2]) / pinhole_K[1,1] z = 1.0 # 归一化 norm = np.sqrt(x*x + y*y + z*z) x /= norm y /= norm z /= norm # 鱼眼投影 theta = np.arccos(z) phi = np.arctan2(y, x) r = theta # 等距投影模型 u_fish = r * np.cos(phi) * K[0,0] + K[0,2] v_fish = r * np.sin(phi) * K[1,1] + K[1,2] map_x[v,u] = u_fish map_y[v,u] = v_fish # 应用映射 pinhole_view = cv2.remap(fisheye_img, map_x, map_y, cv2.INTER_LINEAR)

5.3 性能优化建议

• 并行处理：对多摄像头使用cv2.parallel_for_加速
• 查表法：对固定参数的相机预计算remap映射表
• GPU加速：使用cv2.cuda模块处理4K鱼眼视频流
• 内存优化：对批量处理使用cv2.UMat减少CPU-GPU传输

在实际SLAM系统中，建议将相机处理模块封装为独立类，根据相机类型自动选择对应API。对于边缘设备，可以考虑将标定参数和去畸变映射固化到FPGA实现硬件加速。