手机相机的标定 ——单目相机三维建模（1）

要进行单目相机的深度估计 需要先对相机进行相机的标定获得内外参数

0.相机标定是确定相机的内部参数和外部参数的过程，包括确定相机的焦距、光心坐标、畸变系数、相机在世界坐标系中的旋转和平移等参数。

相机标定的作用如下：

1. 三维重建：通过相机标定，可以将图像中的二维点对应到三维空间中的实际点，从而进行三维重建。标定参数可以用于将图像坐标转换为世界坐标，从而实现三维点云的生成。

2. 姿态估计：通过相机标定，可以获得相机在世界坐标系中的旋转和平移参数。这些参数可以用于估计相机在不同姿态下的位置和朝向，从而实现姿态估计。

3. 畸变矫正：相机镜头的畸变会导致图像中的直线变形和形状失真。通过相机标定，可以获得畸变系数，进而对图像进行畸变矫正，使得图像中的直线保持直线，形状更加准确。

4. 视场调节：标定参数中的视场调节参数矩阵可以用于调整图像的视场大小。在相机标定后，可以根据需要调整视场大小，从而实现对图像的裁剪和缩放。

综上所述，相机的标定为单目相机三维建模提供了基础的几何参数，使得图像中的二维信息能够与实际的三维空间相对应，从而实现了三维重建、姿态估计和畸变矫正等应用。

1.参考了大佬的代码

（7）点云数据处理学习——单摄像头深度估计_摄像头获取点云数据-CSDN博客

直接下载的棋盘格pdf

https://pan.baidu.com/s/1Y79x9o9siHOZ5gQXUBdwjA 提取码：nxy7

2.根据自己的路径运行代码

import cv2
import numpy as np
import glob

savepath = 'E:/img/img00xj/'
# 找棋盘格角点
# 设置寻找亚像素角点的参数，采用的停止准则是最大循环次数30和最大误差容限0.001
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)  # 阈值

# 棋盘格模板规格
w = 8  # 9 - 1
h = 6  # 6  - 1

# 实际打印方格尺寸
real_size = 30  # mm
# 世界坐标系中的棋盘格点,例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐标，记为二维矩阵
objp = np.zeros((w * h, 3), np.float32)
objp[:, :2] = np.mgrid[0:w, 0:h].T.reshape(-1, 2)
objp = objp * real_size  # 30 mm

# 储存棋盘格角点的世界坐标和图像坐标对
objpoints = []  # 在世界坐标系中的三维点
imgpoints = []  # 在图像平面的二维点
# 加载pic文件夹下所有的jpg图像
images = glob.glob(savepath + '*.jpg')  # 拍摄的十几张棋盘图片所在目录

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 找到棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, (w, h), None)
    # 如果找到足够点对，将其存储起来
    if ret == True:
        # 在原角点的基础上寻找亚像素角点
        cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        # 追加进入世界三维点和平面二维点中
        objpoints.append(objp)
        imgpoints.append(corners)
        # 将角点在图像上显示
        cv2.drawChessboardCorners(img, (w, h), corners, ret)
        cv2.namedWindow('findCorners', cv2.WINDOW_NORMAL)
        cv2.resizeWindow('findCorners', 640, 480)
        cv2.imshow('findCorners', img)
        cv2.waitKey(200)
cv2.destroyAllWindows()

## 标定
print('正在计算')
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

print("ret:", ret)
print("mtx:\n", mtx)  # 内参数矩阵
print("dist畸变值:\n", dist)  # 畸变系数   distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print("rvecs旋转（向量）外参:\n", rvecs)  # 旋转向量  # 外参数
print("tvecs平移（向量）外参:\n", tvecs)  # 平移向量  # 外参数
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, gray.shape[::-1], 0, gray.shape[::-1])
print('newcameramtx视场调节参数矩阵', newcameramtx)

print('保存摄像头参数:视场调节参数矩阵，重要！！')
cv_file = cv2.FileStorage('cameraIntrinsic.xml', cv2.FILE_STORAGE_WRITE)
cv_file.write('intrinsic', newcameramtx)
cv_file.release()

# 使用标定参数进行畸变矫正
for fname in images:
    img = cv2.imread(fname)
    h, w = img.shape[:2]
    dst = cv2.undistort(img, mtx, dist, None, newcameramtx)
    cv2.imshow('Undistorted Image', dst)
    cv2.waitKey(200)
cv2.destroyAllWindows()

3.运行结果

ret: 7.9194946779862825
mtx:
 [[3.53194003e+03 0.00000000e+00 1.81421928e+03]
 [0.00000000e+00 3.55130260e+03 1.50503635e+03]
 [0.00000000e+00 0.00000000e+00 1.00000000e+00]]
dist畸变值:
 [[ 0.08326691 -1.66389884 -0.01349785  0.00436373  4.34625061]]
rvecs旋转（向量）外参:
 (array([[-0.41245757],
       [-0.46992303],
       [-1.46973774]]), array([[ 0.1156888 ],
       [-0.44008065],
       [-1.46608857]]), array([[-0.35775858],
       [ 0.21834266],
       [ 1.49402068]]), array([[0.24087109],
       [0.20492268],
       [1.53299076]]), array([[-0.41245757],
       [-0.46992303],
       [-1.46973774]]), array([[ 0.1156888 ],
       [-0.44008065],
       [-1.46608857]]), array([[-0.35775858],
       [ 0.21834266],
       [ 1.49402068]]), array([[0.24087109],
       [0.20492268],
       [1.53299076]]))
tvecs平移（向量）外参:
 (array([[-120.82248779],
       [  56.67316571],
       [ 292.4395498 ]]), array([[-65.01617223],
       [ 85.96632583],
       [362.54815002]]), array([[  44.97289764],
       [-163.57882158],
       [ 412.10740185]]), array([[  2.54795884],
       [-93.82990154],
       [368.88312962]]), array([[-120.82248779],
       [  56.67316571],
       [ 292.4395498 ]]), array([[-65.01617223],
       [ 85.96632583],
       [362.54815002]]), array([[  44.97289764],
       [-163.57882158],
       [ 412.10740185]]), array([[  2.54795884],
       [-93.82990154],
       [368.88312962]]))
newcameramtx视场调节参数矩阵 [[5.68238379e+03 0.00000000e+00 1.51479573e+03]
 [0.00000000e+00 5.21232861e+03 2.06020205e+03]
 [0.00000000e+00 0.00000000e+00 1.00000000e+00]]
保存摄像头参数:视场调节参数矩阵，重要！！

4.每一个参数表达的意思

 

在标定完成后，输出了一些参数值：

- `ret`：标定的误差，表示标定的准确度，数值越小越好。
- `mtx`：内参数矩阵，包含相机的焦距和光心的坐标。
- `dist`：畸变系数，包含径向畸变和切向畸变的参数。
- `rvecs`：旋转向量，表示相机在世界坐标系中的旋转。
- `tvecs`：平移向量，表示相机在世界坐标系中的平移。
- `newcameramtx`：视场调节参数矩阵，用于畸变矫正时调整图像的视场。

这些参数对于后续的相机校正和畸变矫正非常重要。可以使用这些参数来进行相机姿态估计、三维重建等操作。

如果你想了解更多关于相机标定和畸变矫正的细节，请参考OpenCV官方文档：[Camera Calibration and 3D Reconstruction](https://docs.opencv.org/4.5.2/dc/dbb/tutorial_py_calibration.html)。

这次图片比较少只拍了6张   估计20张左右效果会更好