2. 相机畸变校正

任务目标

在完成相机内参与畸变系数标定后，利用得到的畸变系数对实际拍摄图像进行去畸变处理，并直观比较校正前后的图像差异。本案例聚焦于畸变校正这一核心环节，假设已通过棋盘格标定获得相机内参矩阵与畸变系数。

实现原理与依赖

相机镜头畸变主要由径向畸变（k1, k2, k3）和切向畸变（p1, p2）引起。OpenCV提供cv2.undistort()函数，基于标定得到的相机矩阵与畸变系数，对整幅图像进行重映射校正。本案例使用OpenCV内置的cv2.calibrateCamera()完成标定，随后对同一相机拍摄的任意图像执行去畸变。

依赖：opencv-python、numpy。若需可视化棋盘格角点检测结果，还需matplotlib（可选）。

关键完整代码

import cv2
import numpy as np
import glob

# ========== 1. 标定相机（使用棋盘格图像） ==========
# 棋盘格内角点数（例如 9x6）
CHECKERBOARD = (9, 6)
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)

objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2)

objpoints = []  # 世界坐标系中的3D点
imgpoints = []  # 图像中的2D点

# 读取标定图像（请将路径替换为实际标定图片）
images = glob.glob('calib_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None)
    if ret:
        objpoints.append(objp)
        corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        imgpoints.append(corners2)

# 执行标定，获得相机矩阵与畸变系数
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None)

print("相机内参矩阵:\n", mtx)
print("畸变系数:", dist.ravel())

# ========== 2. 对实际图像去畸变 ==========
# 读取一张待校正图像（可以是标定图像之一，或同相机拍摄的其他图像）
test_img = cv2.imread('test_image.jpg')
if test_img is None:
    raise FileNotFoundError("未找到测试图像，请检查路径")

h, w = test_img.shape[:2]

# 方法一：直接使用 undistort（简单直接）
undistorted = cv2.undistort(test_img, mtx, dist, None, mtx)

# 方法二：先计算映射表再重映射（适合视频流或批量处理）
# newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))
# mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), 5)
# undistorted = cv2.remap(test_img, mapx, mapy, cv2.INTER_LINEAR)

# ========== 3. 可视化对比 ==========
# 将原图与校正图并排显示
comparison = np.hstack((test_img, undistorted))
cv2.imwrite('comparison_result.jpg', comparison)

# 显示结果（按任意键关闭）
cv2.imshow('Original (Left) vs Undistorted (Right)', comparison)
cv2.waitKey(0)
cv2.destroyAllWindows()

print("校正完成，对比图已保存为 comparison_result.jpg")

运行与验证

1. 准备数据：创建calib_images/文件夹，放入10~15张不同角度拍摄的棋盘格照片（建议分辨率不低于640×480）；准备一张待校正的测试图像test_image.jpg（可为标定图像之一）。
2. 运行脚本：python undistort_demo.py，终端将打印相机内参与畸变系数。
3. 观察输出：程序弹出对比窗口，左侧为原图，右侧为去畸变后的图像。保存的comparison_result.jpg即为对比结果。

通过判定标准：

• 校正后图像中原本弯曲的直线（如墙面边缘、门框、棋盘格边缘）恢复为直线；
• 图像边缘区域的拉伸或桶形/枕形畸变明显减轻；
• 若使用标定图像本身测试，棋盘格角点在校正后图像中的投影位置与理想针孔模型一致（可通过叠加角点检测验证）。

常见问题

• 标定失败：确保棋盘格图像清晰、角点完整可见，且拍摄角度覆盖画面边缘；若findChessboardCorners返回False，可尝试调整CHECKERBOARD尺寸或增加图像数量。
• 校正后图像边缘黑边：这是正常现象，因校正后像素重映射导致边缘无数据。若需去除黑边，可使用getOptimalNewCameraMatrix配合roi裁剪。
• 校正效果不明显：检查畸变系数是否数量级过小（如k1接近0），此时畸变本身轻微，属正常情况；或确认测试图像与标定图像来自同一相机且分辨率一致。