图像采集与数据准备：相机标定原理、标定板设计、OpenCV标定实战与多视角数据获取

三维重建的精度上限，在图像采集阶段就已经被决定。无论是基于结构光、多视图立体（MVS）还是神经辐射场（NeRF）的重建方案，其输入都是二维图像。如果相机内参不准确、镜头畸变未校正、图像采集规范混乱，后续的特征匹配、深度估计和点云融合都会产生系统性误差。本章聚焦三维重建流程中的“地基工程”——相机标定与数据采集，从成像几何原理出发，深入讲解标定板设计要点、OpenCV标定实战流程，以及多视角数据获取的工程规范。

3.1 相机标定的核心原理：从针孔模型到畸变校正

相机标定的本质是求解从三维世界坐标到二维像素坐标的映射关系。这个映射由两部分组成：线性投影（针孔模型）和非线性畸变（镜头光学缺陷）。在三维重建中，我们不仅需要知道每个相机的内参（焦距、主点），还需要知道每张图像拍摄时的外参（相机在世界坐标系中的位姿）。

针孔模型是理想化的成像模型。设世界坐标系中一点 \(P_w = (X_w, Y_w, Z_w)\)，经过外参矩阵 \([R|t]\) 变换到相机坐标系，再通过内参矩阵 \(K\) 投影到像素平面。其数学表达式为：

s * [u, v, 1]^T = K * [R|t] * [X_w, Y_w, Z_w, 1]^T

其中：
K = [fx  0  cx]
    [ 0 fy  cy]
    [ 0  0   1]

fx = f / dx, fy = f / dy（f为焦距，dx/dy为像元尺寸）
cx, cy 为主点坐标（光轴与成像平面的交点）

实际镜头由于制造工艺和光学设计限制，会产生径向畸变（桶形或枕形）和切向畸变（透镜与成像平面不平行）。OpenCV采用Brown-Conrady模型来描述畸变：

径向畸变：
x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)

切向畸变：
x_distorted = x + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_distorted = y + [p1*(r^2 + 2*y^2) + 2*p2*x*y]

其中 r^2 = x^2 + y^2，x、y为归一化相机坐标

标定的目标就是求解内参矩阵 \(K\)、畸变系数 \(D = (k_1, k_2, p_1, p_2, k_3)\)，以及每张标定板图像对应的外参。OpenCV的 calibrateCamera() 函数通过最小化重投影误差（即标定板角点的实际投影位置与理论投影位置之间的欧氏距离）来优化这些参数。

3.2 标定板设计：精度、尺寸与材质的选择

标定板是标定流程中的“基准尺”，其设计质量直接影响标定结果的可靠性。常见的标定板类型包括棋盘格、圆点阵和ChArUco板，各有优劣。

标定板设计的关键参数：

• 方格尺寸（Square Size）：必须精确测量，误差控制在±0.01mm以内。推荐使用高精度打印（1200dpi以上）或工业级玻璃基板。方格尺寸过小会导致角点提取不稳定，过大则无法在近距离完整拍摄。
• 行列数（Pattern Size）：建议至少 9×6 或 10×7 个内角点。更多的角点提供更多约束，但需要保证每张图像中所有角点清晰可见。
• 材质选择：纸质标定板成本低但易变形；铝基板平整度好但反光强；陶瓷或玻璃基板精度最高但价格昂贵。对于高精度重建，推荐使用哑光覆膜铝基板，避免反光干扰角点检测。
• 背景与对比度：黑白格对比度应大于10:1，避免使用灰色或彩色图案。标定板周围应留出至少一个方格宽度的白色边框，便于边缘检测。

3.3 OpenCV标定实战：从图像采集到参数验证

OpenCV提供了完整的相机标定工具链。以下是一个标准化的标定流程，适用于单目相机，多相机系统在此基础上扩展。

第一步：采集标定图像

使用待标定相机拍摄标定板，采集15-25张不同姿态的图像。采集时需注意：

• 标定板应覆盖画面的各个区域（中心、四角、边缘），避免只集中在画面中央。
• 标定板与相机光轴之间的夹角应变化，从正面到倾斜约45度，覆盖不同视角。
• 标定板在画面中的尺寸应占整体画面的1/4到1/2，太小会导致角点提取不稳定。
• 保持光照均匀，避免标定板表面出现高光或阴影。

第二步：编写标定脚本

import cv2
import numpy as np
import glob

# 1. 准备标定板参数
CHECKERBOARD = (9, 6)  # 内角点数
square_size = 0.025    # 方格尺寸（米）

# 生成世界坐标系中的角点坐标（Z=0平面）
objp = np.zeros((CHECKERBOARD[0]*CHECKERBOARD[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2)
objp *= square_size

obj_points = []  # 世界坐标
img_points = []  # 像素坐标

# 2. 遍历标定图像
images = glob.glob('calib_images/*.jpg')
for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 查找棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None)
    
    if ret:
        obj_points.append(objp)
        # 亚像素细化
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
        img_points.append(corners2)
        
        # 可视化角点
        cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret)
        cv2.imshow('Corners', img)
        cv2.waitKey(100)

cv2.destroyAllWindows()

# 3. 执行标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None
)

# 4. 评估标定结果
total_error = 0
for i in range(len(obj_points)):
    imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
    total_error += error

print(f"平均重投影误差: {total_error/len(obj_points):.4f} 像素")
print(f"内参矩阵:\n{mtx}")
print(f"畸变系数: {dist.ravel()}")

# 5. 保存标定结果
np.savez('camera_calib.npz', mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs)

第三步：结果验证与优化

标定完成后，必须进行验证。重投影误差（RMS）应小于0.15像素，如果超过0.3像素，说明标定图像质量不佳或标定板尺寸有误。验证方法包括：

1. 重投影误差检查：计算所有角点的平均重投影误差，并检查是否有单张图像误差明显偏大（可能是运动模糊或遮挡）。
2. 畸变校正可视化：使用 cv2.undistort() 校正一张图像，检查画面边缘的直线是否恢复为直线。
3. 交叉验证：用不同批次的标定图像分别标定，比较内参矩阵的差异，差异应小于0.5%。

3.4 图像采集规范与多视角数据获取

完成标定后，进入正式的三维重建数据采集阶段。多视角图像采集的质量直接决定重建的完整性和细节精度。以下是经过验证的采集规范：

3.4.1 光照控制

光照是影响重建质量的首要因素。理想的光照条件是均匀、漫射、无阴影的。对于室内物体重建，推荐使用两个柔光箱从左右45度方向打光，配合顶部补光。避免使用点光源或直射光，因为高光区域会导致特征匹配失败，阴影区域会产生虚假的几何信息。

3.4.2 相机参数设置

• 光圈：固定光圈，建议 f/8 左右，保证足够的景深，使物体整体清晰。
• ISO：固定为最低原生ISO（通常100-200），减少噪声。
• 快门：根据光照调整，确保曝光正确，避免过曝或欠曝。
• 白平衡：使用手动白平衡或灰卡校准，保证所有图像色彩一致。
• 格式：必须使用RAW格式拍摄，后期统一转换为无损TIFF或高质量PNG，避免JPEG压缩带来的块效应。

3.4.3 视角规划与重叠率

对于环绕式物体重建，相机应围绕物体进行分层采集。以桌面物体为例：

相邻图像之间的重叠率应不低于60%，这是特征匹配和稀疏重建的基本要求。对于复杂结构（凹陷、遮挡区域），需要增加局部补拍。

3.4.4 数据命名与组织

project/
├── images/
│   ├── cam0_001.png
│   ├── cam0_002.png
│   ├── ...
│   └── cam0_020.png
├── calib/
│   ├── intrinsics.yaml
│   └── extrinsics/
│       ├── cam0_pose_001.txt
│       └── ...
├── masks/          # 前景掩码（可选）
└── meta.yaml       # 采集参数记录

建议在采集前记录每张图像的相机位姿（如果使用机械臂或转台），这可以作为后续重建的初始值或验证基准。

3.5 案例拆解：工业零件高精度重建的数据准备

背景与约束：某汽车零部件厂商需要对一个直径约15cm的涡轮叶片进行三维重建，用于质量检测。要求重建精度达到0.1mm，表面纹理细节完整。现场环境为工厂车间，存在环境光干扰和振动。

初始现象与目标：使用单反相机（24MP，APS-C画幅）进行环绕拍摄，初步采集后发现重建模型表面出现“波纹状”伪影，且叶片边缘轮廓模糊。经分析，问题根源在于标定精度不足和光照不均匀。

关键输入数据与指标：

• 相机：Canon EOS 90D，镜头24mm定焦，光圈f/8，ISO 100，快门1/125s
• 标定板：10×7棋盘格，方格尺寸20mm，铝基板哑光覆膜
• 初步标定重投影误差：0.28像素（超标）
• 采集图像：32张，环形分布，高度角约15°

分析判断过程：

首先检查标定图像，发现部分图像中标定板边缘出现反光，导致角点检测偏移。其次，车间顶部的荧光灯在叶片表面形成条状高光，干扰了特征匹配。最后，由于手持拍摄，部分图像存在轻微运动模糊（快门速度不足）。

实际操作步骤：

1. 重新标定：在标定板两侧各加一块黑色遮光板，消除反光。重新采集20张标定图像，覆盖画面中心和边缘。标定后重投影误差降至0.09像素。
2. 光照改造：使用两块60×60cm柔光箱，从左右45度方向打光，色温5500K。在叶片下方放置黑色吸光布，消除地面反射光。
3. 固定拍摄：使用三脚架和快门线，将快门速度提升至1/250s，ISO调整为200以保证曝光。
4. 增加视角：在原有环形采集基础上，增加俯视层（高度角45°）12张，仰视层（高度角-20°）8张，总计52张图像。
5. 数据验证：使用标定后的内参对采集图像进行畸变校正，检查叶片边缘直线是否恢复平直。

结果对比：重新采集后，重建模型的表面波纹消失，叶片边缘轮廓清晰。使用高精度扫描仪（精度0.02mm）进行对比验证，重建模型与真值模型的平均偏差从0.42mm降至0.08mm，满足0.1mm的精度要求。

风险与代价：整个返工过程耗时约4小时，主要成本在于重新标定和采集。如果首次采集前就严格执行光照和标定规范，可以避免返工。

复盘经验：① 标定板反光是角点检测精度的最大杀手，务必使用哑光材质并控制环境光；② 工业场景中环境光复杂，必须使用可控光源；③ 手持拍摄的微振动在近距离高精度重建中不可接受，必须使用三脚架；④ 视角数量不是越多越好，关键是覆盖完整且重叠率达标。

3.6 常见误区与总结复盘

在相机标定与数据采集环节，以下误区最为常见：

总结：相机标定与数据采集是三维重建中“一分耕耘，一分收获”的环节。标定的核心是理解针孔模型与畸变模型，通过精确的标定板设计和规范的采集流程获得可靠参数。数据采集的核心是控制光照、固定相机参数、规划视角重叠。这两个环节做好了，后续的重建流程才能发挥最大效能。建议在每次采集前，先拍摄5张测试图像进行快速标定验证，确认内参稳定后再进行正式采集。