4、图像采集实战：如何拍摄高质量标定图片

标定这事儿，算法再牛，也架不住输入图片质量差。我见过太多人拿着模糊、反光、角度单一的图片跑来问“为什么标定结果不准”。说白了，标定精度的一半以上，在拍照阶段就已经决定了。

这一章，咱们就聊聊怎么拍出能让算法“吃得舒服”的标定图片。嗯，这里要注意，不是随便拍几张棋盘格就完事了。

4.1 拍摄硬件与场景设置

先说说硬件。你不需要专业摄影棚，但有几个坑得避开。

4.2 图片数量与角度要求

很多人问：“到底要拍多少张？” 我的答案是：20-30张有效图片。但“有效”两个字是关键。

为什么会这样？因为标定算法需要从不同视角观察标定板，才能稳定求解内参和畸变系数。角度太少，解出来的参数容易过拟合。

4.2.1 角度覆盖策略

我个人习惯把拍摄分成三个维度：

1. 水平旋转：标定板在相机前方左右摆动，覆盖 -45° 到 +45°
2. 俯仰变化：标定板上仰下俯，覆盖 -30° 到 +30°
3. 距离变化：标定板从近到远，覆盖整个工作距离范围

你想想看，如果所有图片都是标定板正对着相机，那算法永远学不到透视畸变的信息。标定结果自然不准。

4.2.2 数量与分布参考

4.3 避免运动模糊与反光

这两个问题，是我在项目中遇到最多的“杀手”。

4.3.1 运动模糊

运动模糊会让角点检测产生亚像素偏移。一张模糊图片，可能拉低整体标定精度0.1个像素。听起来不多？对于高精度测量，这已经是灾难了。

我曾经在一个产线项目中，连续拍了200张图片，结果筛选下来只有40张能用。原因就是手持拍摄时手抖，加上快门速度太慢。

解决方案：

• 快门速度至少设为 1/100s 以上
• 使用三脚架或固定支架
• 如果必须手持，连拍模式 + 后期筛选
• 检查图片：放大到100%看棋盘格角点是否清晰锐利

4.3.2 反光问题

反光会让棋盘格的黑白区域变成一片亮白，角点直接消失。我见过最夸张的一次，标定板上的反光区域占了半个画面，算法直接报错“找不到棋盘格”。

避坑指南：

• 使用亚光（哑光）标定板，不要用光面纸
• 光源从两侧45°方向打光，避免正面直射
• 如果环境光无法控制，可以稍微旋转标定板角度，让反光移出画面
• 实在不行，用偏振片贴在镜头前，能滤掉大部分反射光

4.4 数据筛选策略

拍完照片，别急着全部扔进标定程序。先做一轮筛选，能省下大量调试时间。

4.4.1 自动筛选流程

我一般写一个简单的筛选脚本，流程如下：

# 伪代码：标定图片自动筛选逻辑
for each image in 拍摄目录:
    ret, corners = cv2.findChessboardCorners(img, pattern_size)
    if not ret:
        continue  # 检测不到角点，直接丢弃
    
    # 检查角点分布
    if 角点覆盖面积 < 画面60%:
        continue  # 标定板太小，精度不够
    
    # 检查清晰度（拉普拉斯方差）
    laplacian_var = cv2.Laplacian(gray_img, cv2.CV_64F).var()
    if laplacian_var < 阈值:
        continue  # 模糊图片，丢弃
    
    # 检查角度重复度
    if 当前姿态与已有图片相似度 > 90%:
        continue  # 角度太接近，不增加信息量
    
    保留该图片到有效集合

4.4.2 人工复核清单

自动筛选之后，我还会手动过一遍。重点看这几项：

• 画面边缘是否有裁剪？标定板不能出界
• 是否有局部过曝或过暗区域？
• 标定板是否平整？有没有褶皱或弯曲？
• 角度分布是否均匀？不要全是左边角度，右边一张都没有

4.5 知识体系：图像采集核心逻辑

下面这张图，是我自己总结的图像采集决策流程。每次做标定项目前，我都会对照着走一遍。

4.6 实战检查清单

最后，给你一份我每次采集前都会过一遍的清单。打印出来贴在相机旁边，比什么都管用。