本文結(jié)合OpenCV官方樣例，對官方樣例中的代碼進(jìn)行修改，使其能夠正常運(yùn)行，并對自己采集的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)和講解。

一、準(zhǔn)備

OpenCV使用棋盤格板進(jìn)行標(biāo)定，如下圖所示。為了標(biāo)定相機(jī)，我們需要輸入一系列三維點(diǎn)和它們對應(yīng)的二維圖像點(diǎn)。在黑白相間的棋盤格上，二維圖像點(diǎn)很容易通過角點(diǎn)檢測找到。而對于真實(shí)世界中的三維點(diǎn)呢？由于我們采集中，是將相機(jī)放在一個地方，而將棋盤格定標(biāo)板進(jìn)行移動變換不同的位置，然后對其進(jìn)行拍攝。所以我們需要知道(X,Y,Z)的值。但是簡單來說，我們定義棋盤格所在平面為XY平面，即Z=0。對于定標(biāo)板來說，我們可以知道棋盤格的方塊尺寸，例如30mm，這樣我們就可以把棋盤格上的角點(diǎn)坐標(biāo)定義為(0,0,0)，(30,0,0)，(60,0,0)，···，這個結(jié)果的單位是mm。

3D點(diǎn)稱為object points，2D圖像點(diǎn)稱為image points。

二、檢測棋盤格角點(diǎn)

為了找到棋盤格模板，我們使用openCV中的函數(shù)cv2.findChessboardCorners()。我們也需要告訴程序我們使用的模板是什么規(guī)格的，例如8*8的棋盤格或者5*5棋盤格等，建議使用x方向和y方向個數(shù)不相等的棋盤格模板。下面實(shí)驗(yàn)中，我們使用的是10*7的棋盤格，每個方格邊長是20mm，即含有9*6的內(nèi)部角點(diǎn)。這個函數(shù)如果檢測到模板，會返回對應(yīng)的角點(diǎn)，并返回true。當(dāng)然不一定所有的圖像都能找到需要的模板，所以我們可以使用多幅圖像進(jìn)行定標(biāo)。除了使用棋盤格，我們還可以使用圓點(diǎn)陣，對應(yīng)的函數(shù)為cv2.findCirclesGrid()。

找到角點(diǎn)后，我們可以使用cv2.cornerSubPix()可以得到更為準(zhǔn)確的角點(diǎn)像素坐標(biāo)。我們也可以使用cv2.drawChessboardCorners()將角點(diǎn)繪制到圖像上顯示。如下圖所示：

三、標(biāo)定

通過上面的步驟，我們得到了用于標(biāo)定的三維點(diǎn)和與其對應(yīng)的圖像上的二維點(diǎn)對。我們使用cv2.calibrateCamera()進(jìn)行標(biāo)定，這個函數(shù)會返回標(biāo)定結(jié)果、相機(jī)的內(nèi)參數(shù)矩陣、畸變系數(shù)、旋轉(zhuǎn)矩陣和平移向量。

四、去畸變

第三步我們已經(jīng)得到了相機(jī)內(nèi)參和畸變系數(shù)，在將圖像去畸變之前，我們還可以使用cv.getOptimalNewCameraMatrix()優(yōu)化內(nèi)參數(shù)和畸變系數(shù)，通過設(shè)定自由自由比例因子alpha。當(dāng)alpha設(shè)為0的時候，將會返回一個剪裁過的將去畸變后不想要的像素去掉的內(nèi)參數(shù)和畸變系數(shù)；當(dāng)alpha設(shè)為1的時候，將會返回一個包含額外黑色像素點(diǎn)的內(nèi)參數(shù)和畸變系數(shù)，并返回一個ROI用于將其剪裁掉。

然后我們就可以使用新得到的內(nèi)參數(shù)矩陣和畸變系數(shù)對圖像進(jìn)行去畸變了。有兩種方法進(jìn)行去畸變：

(1)使用cv2.undistort()

這是一個最直接的辦法，只用直接調(diào)用函數(shù)就可以得到去畸變的圖像，使用上面的ROI可以對其進(jìn)行剪裁。代碼如下：

# undistortdst = cv2.undistort(img, mtx, dist, None, newcameramtx)# crop the imagex,y,w,h = roidst = dst[y:y+h, x:x+w]cv2.imwrite('calibresult.png',dst)

下圖顯示將一張圖片去畸變后，保留黑色像素的結(jié)果：

（2）使用remmaping

這是一個分兩步的方法，首先計(jì)算一個從畸變圖像到非畸變圖像的映射，然后使用這個映射關(guān)系對圖像進(jìn)行去畸變。
代碼如下：

# undistortmapx,mapy = cv2.initUndistortRectifyMap(mtx,dist,None,newcameramtx,(w,h),5)dst = cv2.remap(img,mapx,mapy,cv2.INTER_LINEAR)# crop the imagex,y,w,h = roidst = dst[y:y+h, x:x+w]cv2.imwrite('calibresult.png',dst)

五、反投影誤差

通過反投影誤差，我們可以來評估結(jié)果的好壞。越接近0，說明結(jié)果越理想。通過之前計(jì)算的內(nèi)參數(shù)矩陣、畸變系數(shù)、旋轉(zhuǎn)矩陣和平移向量，使用cv2.projectPoints()計(jì)算三維點(diǎn)到二維圖像的投影，然后計(jì)算反投影得到的點(diǎn)與圖像上檢測到的點(diǎn)的誤差，最后計(jì)算一個對于所有標(biāo)定圖像的平均誤差，這個值就是反投影誤差。

代碼

所有步驟的代碼如下所示：

#coding:utf-8import cv2import numpy as npimport glob# 找棋盤格角點(diǎn)# 閾值criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)#棋盤格模板規(guī)格w = 9h = 6# 世界坐標(biāo)系中的棋盤格點(diǎn),例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐標(biāo)，記為二維矩陣objp = np.zeros((w*h,3), np.float32)objp[:,:2] = np.mgrid[0:w,0:h].T.reshape(-1,2)# 儲存棋盤格角點(diǎn)的世界坐標(biāo)和圖像坐標(biāo)對objpoints = [] # 在世界坐標(biāo)系中的三維點(diǎn)imgpoints = [] # 在圖像平面的二維點(diǎn)images = glob.glob('calib/*.png')for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 找到棋盤格角點(diǎn) ret, corners = cv2.findChessboardCorners(gray, (w,h),None) # 如果找到足夠點(diǎn)對，將其存儲起來 if ret == True:  cv2.cornerSubPix(gray,corners,(11,11),(-1,-1),criteria)  objpoints.append(objp)  imgpoints.append(corners)  # 將角點(diǎn)在圖像上顯示  cv2.drawChessboardCorners(img, (w,h), corners, ret)  cv2.imshow('findCorners',img)  cv2.waitKey(1)cv2.destroyAllWindows()# 標(biāo)定ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)# 去畸變img2 = cv2.imread('calib/00169.png')h, w = img2.shape[:2]newcameramtx, roi=cv2.getOptimalNewCameraMatrix(mtx,dist,(w,h),0,(w,h)) # 自由比例參數(shù)dst = cv2.undistort(img2, mtx, dist, None, newcameramtx)# 根據(jù)前面ROI區(qū)域裁剪圖片#x,y,w,h = roi#dst = dst[y:y+h, x:x+w]cv2.imwrite('calibresult.png',dst)# 反投影誤差total_error = 0for i in xrange(len(objpoints)): imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2) total_error += errorprint "total error: ", total_error/len(objpoints)

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持VEVB武林網(wǎng)。