4. 照片预处理技术：图像畸变校正、色彩平衡与曝光调整、图像裁剪与对齐、批量处理工作流

施工现场照片因拍摄设备、环境光线和手持角度差异，直接用于与 BIM 模型对比会产生几何变形、色差和位置偏移。本章系统讲解照片预处理的核心技术，确保对比素材在几何、色彩和空间上具备一致性。

4.1 图像畸变校正

广角镜头和手机摄像头普遍存在径向畸变（桶形/枕形）和切向畸变。校正流程分为标定与重映射两步：

• 标定参数获取：使用棋盘格标定板拍摄 10–15 张不同角度照片，通过 OpenCV 的 cv2.calibrateCamera() 计算相机内参矩阵 K 和畸变系数 dist（k1, k2, p1, p2, k3）。
• 畸变重映射：对每张施工照片调用 cv2.undistort() 或 cv2.initUndistortRectifyMap() + cv2.remap() 生成校正图像。

import cv2
import numpy as np

# 加载标定结果
K = np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]])
dist = np.array([k1, k2, p1, p2, k3])

# 畸变校正
img = cv2.imread('site_photo.jpg')
h, w = img.shape[:2]
new_K, roi = cv2.getOptimalNewCameraMatrix(K, dist, (w, h), 1, (w, h))
mapx, mapy = cv2.initUndistortRectifyMap(K, dist, None, new_K, (w, h), cv2.CV_32FC1)
undistorted = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
cv2.imwrite('undistorted.jpg', undistorted)

4.2 色彩平衡与曝光调整

不同天气、时段和相机白平衡设置会导致照片色温偏差。预处理目标是将照片色彩映射到标准色板（如 X-Rite ColorChecker）或参考模型的渲染色调。

# 白平衡校正（灰度世界法）
def white_balance(img):
    result = img.copy()
    avg_b = np.mean(img[:,:,0])
    avg_g = np.mean(img[:,:,1])
    avg_r = np.mean(img[:,:,2])
    avg = (avg_b + avg_g + avg_r) / 3
    result[:,:,0] = np.clip(img[:,:,0] * (avg / avg_b), 0, 255).astype(np.uint8)
    result[:,:,1] = np.clip(img[:,:,1] * (avg / avg_g), 0, 255).astype(np.uint8)
    result[:,:,2] = np.clip(img[:,:,2] * (avg / avg_r), 0, 255).astype(np.uint8)
    return result

4.3 图像裁剪与对齐

裁剪用于去除照片边缘的无关区域（安、临时设施），对齐则保证多期照片与模型渲染图在空间上严格匹配。

• 手动裁剪：根据 BIM 视口范围，保留结构主体区域，统一输出尺寸（如 1920×1080）。
• 特征点对齐：使用 SIFT / ORB 提取特征点，通过单应性矩阵 H 进行透视变换。
• 模板匹配对齐：适用于固定机位拍摄，以首张照片为模板，后续照片通过 NCC 或互信息配准。

# 特征点对齐示例（SIFT + RANSAC）
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(ref_img, None)
kp2, des2 = sift.detectAndCompute(target_img, None)
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
good = [m for m, n in matches if m.distance < 0.75 * n.distance]
src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)
dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2)
H, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
aligned = cv2.warpPerspective(target_img, H, (ref_w, ref_h))

4.4 批量处理工作流

单个项目通常涉及数百张现场照片，手动逐张处理不可行。以下工作流基于 Python 脚本实现全自动批量预处理：

1. 输入目录扫描：遍历 ./raw_photos/ 下所有 JPG/RAW 文件。
2. 畸变校正：加载预标定参数，批量调用 undistort()。
3. 色彩平衡：对每张照片执行白平衡 + 直方图匹配（参考图可选）。
4. 裁剪对齐：根据配置文件中的 ROI 坐标裁剪，再与模板图进行特征点对齐。
5. 输出存储：保存为 PNG（无损）到 ./processed/，同时生成处理日志 CSV。

import os, cv2, json, csv
from glob import glob

config = json.load(open('preprocess_config.json'))
K, dist = load_calibration(config['calib_file'])
ref_img = cv2.imread(config['template_path'])
ref_h, ref_w = ref_img.shape[:2]

for fpath in glob('./raw_photos/*.jpg'):
    img = cv2.imread(fpath)
    # 1. 畸变校正
    img = cv2.undistort(img, K, dist)
    # 2. 白平衡
    img = white_balance(img)
    # 3. 裁剪
    x, y, w, h = config['roi']
    img = img[y:y+h, x:x+w]
    # 4. 对齐
    H = compute_homography(ref_img, img)
    img = cv2.warpPerspective(img, H, (ref_w, ref_h))
    # 5. 保存
    out_name = os.path.basename(fpath).replace('.jpg', '.png')
    cv2.imwrite(f'./processed/{out_name}', img)

4.5 预处理流程总览

下图展示从原始照片到预处理完成的核心步骤与数据流向：

4.6 预处理质量检查清单