别再让棋盘格照片吃灰了！用Python+OpenCV手把手教你搞定相机畸变校准（附完整代码）

拯救闲置棋盘格照片：Python+OpenCV相机校准实战指南

你是否也曾在项目文件夹里发现过一堆早已遗忘的棋盘格照片？这些本应用于相机校准的素材，往往因为复杂的处理流程而被束之高阁。本文将带你用Python和OpenCV，将这些"沉睡"的素材转化为精确的相机参数，解决实际拍摄中的畸变问题。

1. 准备工作与环境配置

校准流程的第一步是确保拥有合适的工作环境。推荐使用Python 3.8或更高版本，这是大多数计算机视觉库兼容性最好的版本。以下是需要安装的关键库及其作用：

pip install opencv-python==4.5.5.64 numpy matplotlib

• opencv-python：提供相机校准的核心功能
• numpy：处理数值计算和矩阵运算
• matplotlib：可视化校准结果

提示：如果使用Anaconda环境，可以通过conda安装这些包以获得更好的依赖管理。

校准所需的棋盘格图案应当满足以下标准：

• 黑白方格交替排列
• 方格数量建议在7×9到9×13之间
• 打印在平整、无反光的硬质材料上
• 拍摄时覆盖相机视野的不同区域

2. 图像采集与角点检测实战

有效的校准始于高质量的图像采集。理想的校准照片应当：

• 在不同角度和距离拍摄15-20张
• 覆盖整个画面区域（中心、边缘、角落）
• 确保棋盘格完整出现在画面中
• 避免过度曝光或模糊

以下代码展示了如何自动检测棋盘格角点：

import cv2 import numpy as np # 设置棋盘格参数 pattern_size = (9, 6) # 内部角点数量(width, height) # 读取图像并查找角点 img = cv2.imread('calibration_photo.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 提高角点检测精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) # 绘制检测到的角点 cv2.drawChessboardCorners(img, pattern_size, corners_refined, ret) cv2.imshow('Detected Corners', img) cv2.waitKey(1000)

常见问题及解决方案：

3. 完整相机校准流程实现

收集到足够的有效图像后，可以开始实际的校准过程。以下是完整的校准代码实现：

def calibrate_camera(image_paths, pattern_size): # 准备对象点：(0,0,0), (1,0,0), (2,0,0) ..., (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) # 存储对象点和图像点 objpoints = [] # 3D空间中的点 imgpoints = [] # 2D图像中的点 for fname in image_paths: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: objpoints.append(objp) # 精确化角点位置 corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners_refined) # 执行相机校准 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) return ret, mtx, dist, rvecs, tvecs

校准完成后，你会获得几个关键参数：

• 相机矩阵(mtx)：包含焦距和主点坐标
• 畸变系数(dist)：描述镜头的径向和切向畸变
• 旋转向量(rvecs)：每张图像的旋转信息
• 平移向量(tvecs)：每张图像的平移信息

4. 校准结果评估与应用

校准质量直接影响后续应用的准确性。以下是评估校准效果的几种方法：

重投影误差分析：

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(f"平均重投影误差: {mean_error/len(objpoints):.3f} 像素")

• 误差<0.5像素：优秀
• 误差0.5-1.0像素：良好
• 误差>1.0像素：可能需要重新校准

可视化畸变校正效果：

def undistort_image(img, mtx, dist): h, w = img.shape[:2] newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) # 方法1：使用最优新相机矩阵 dst = cv2.undistort(img, mtx, dist, None, newcameramtx) # 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) # 裁剪图像 x, y, w, h = roi dst = dst[y:y+h, x:x+w] return dst

实际应用中，可以将校准参数保存为文件，避免重复校准：

import pickle # 保存校准结果 calibration_data = { 'camera_matrix': mtx, 'dist_coeffs': dist, 'reprojection_error': mean_error } with open('camera_calibration.pkl', 'wb') as f: pickle.dump(calibration_data, f) # 加载校准结果 with open('camera_calibration.pkl', 'rb') as f: data = pickle.load(f) mtx_loaded = data['camera_matrix'] dist_loaded = data['dist_coeffs']

5. 高级技巧与疑难解答

动态校准改进： 对于需要更高精度的场景，可以考虑：

1. 使用非对称圆形网格图案替代棋盘格
2. 增加校准图像数量(30-50张)
3. 在不同光照条件下采集图像
4. 使用更高分辨率的相机

常见问题排查指南：

• 校准后图像边缘仍有畸变

  • 可能原因：校准图像未充分覆盖边缘区域
  • 解决方案：增加边缘区域的校准图像

• 不同距离的畸变校正效果不一致

  • 可能原因：校准距离与实际使用距离差异过大
  • 解决方案：在与实际使用相似的距离范围内进行校准

• 校准参数在不同应用中表现不稳定

  • 可能原因：相机自动对焦或变焦导致参数变化
  • 解决方案：校准前锁定相机焦距，或针对不同焦距分别校准

多相机系统校准： 当使用多个相机时，还需要考虑它们之间的相对位置关系。OpenCV提供了stereoCalibrate函数来处理这种情况：

retval, _, _, _, _, R, T, E, F = cv2.stereoCalibrate( objectPoints, imagePoints1, imagePoints2, cameraMatrix1, distCoeffs1, cameraMatrix2, distCoeffs2, imageSize, flags=cv2.CALIB_FIX_INTRINSIC)

这个函数会返回两个相机之间的旋转矩阵(R)和平移向量(T)，对于三维重建等应用至关重要。