4、棋盘格标定法：角点检测、亚像素优化与 calibrateCamera() 参数详解

棋盘格标定，说白了就是给摄像头拍一张「标准答案」的照片，然后反推它的内部参数。我做了这么多年图像质量，这步是绕不开的基本功。今天咱们就把它拆开揉碎了讲清楚。

4.1 棋盘格角点检测：从图像到坐标

角点检测是整个标定的第一步。OpenCV 提供了 findChessboardCorners() 这个函数，它的核心逻辑其实很简单——在图像里找到那些黑白格子相交的点。

ret, corners = cv2.findChessboardCorners(image, patternSize, flags=None)

参数说明：

• image：输入图像，最好是灰度图。我习惯先转成灰度再处理，能省不少计算量。
• patternSize：棋盘格的内角点数，格式是 (cols, rows)。注意是内角点，不是格子数。比如 9×6 的棋盘，内角点是 8×5。
• flags：可选标志位，常用的有 CALIB_CB_ADAPTIVE_THRESH 和 CALIB_CB_NORMALIZE_IMAGE。

检测流程大致是这样的：

1. 对图像做自适应二值化，把棋盘格变成黑白分明的区域。
2. 用轮廓检测找到所有四边形区域。
3. 筛选出符合棋盘格拓扑结构的四边形集合。
4. 在四边形顶点处提取亚像素精度的角点坐标。

嗯，这里要注意：光照不均匀的时候，自适应阈值比固定阈值靠谱得多。我一般都会加上 CALIB_CB_ADAPTIVE_THRESH 这个标志。

4.2 亚像素角点优化：把精度推到小数点后

检测到的角点坐标是整数像素级别的，但实际标定需要更高的精度。这时候就要用 cornerSubPix() 来做亚像素优化。

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners2 = cv2.cornerSubPix(gray, corners, (5,5), (-1,-1), criteria)

这个函数的原理是利用角点附近像素的梯度信息，通过迭代优化找到真正的角点位置。说白了，就是在整数像素周围「微调」，找到梯度变化最剧烈的地方。

你想想看，如果角点精度只有 0.5 个像素，标定出来的焦距可能偏差 2-3%。对于高精度测量来说，这误差就太大了。所以亚像素优化这步，千万别省。

4.3 calibrateCamera() 参数详解：核心标定函数

有了角点坐标，接下来就是重头戏——calibrateCamera()。这个函数负责解算摄像头的内参、畸变系数和外参。

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objectPoints, imagePoints, imageSize,
    cameraMatrix=None, distCoeffs=None,
    flags=0, criteria=None
)

咱们一个一个参数来看：

4.3.1 objectPoints 和 imagePoints

• objectPoints：世界坐标系中的三维点。棋盘格标定中，我们假设棋盘在 Z=0 平面上，所以这些点的 Z 坐标都是 0。
• imagePoints：对应的图像坐标系中的二维点，就是咱们刚才检测到的角点。

这里有个细节：objectPoints 的单位是「格子边长」的倍数。比如格子边长 30mm，那第一个点就是 (0,0,0)，第二个是 (30,0,0)，以此类推。单位不重要，因为标定解算的是比例关系。

4.3.2 imageSize

图像的宽高，单位是像素。这个参数用来初始化内参矩阵的猜测值。我习惯用 (width, height) 的元组形式传入。

4.3.3 cameraMatrix 和 distCoeffs

这两个参数既是输入也是输出。传入时可以是 None，函数会自动初始化并返回标定结果。

4.3.4 flags 参数

这个参数控制标定算法的行为，我常用的几个：

• cv2.CALIB_USE_INTRINSIC_GUESS：使用传入的内参矩阵作为初始值。如果你已经知道大概的焦距，用这个能加快收敛。
• cv2.CALIB_FIX_ASPECT_RATIO：固定 fx/fy 的比例。对于方形像素的传感器，这个很有用。
• cv2.CALIB_ZERO_TANGENT_DIST：假设切向畸变为零。对于大多数镜头，这个假设是合理的。
• cv2.CALIB_RATIONAL_MODEL：使用有理模型，可以校正更复杂的畸变。但需要更多图像。

4.3.5 criteria 参数

迭代终止条件，和亚像素优化类似。我一般用 (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-6)。

4.4 标定流程全景图

说了这么多，咱们用一张图把整个流程串起来：

4.5 完整代码示例

最后，给一个完整的标定代码片段。这是我项目里常用的模板：

import cv2
import numpy as np
import glob

# 棋盘格参数
pattern_size = (9, 6)  # 内角点数
square_size = 30.0     # 格子边长，单位mm

# 准备世界坐标系点
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:,:2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1,2)
objp *= square_size

# 存储所有图像的点
objpoints = []  # 世界坐标系点
imgpoints = []  # 图像坐标系点

images = glob.glob('calib_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 角点检测
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, 
        flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE)
    
    if ret:
        objpoints.append(objp)
        
        # 亚像素优化
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners2 = cv2.cornerSubPix(gray, corners, (5,5), (-1,-1), criteria)
        imgpoints.append(corners2)
        
        # 可视化
        cv2.drawChessboardCorners(img, pattern_size, corners2, ret)
        cv2.imshow('Corners', img)
        cv2.waitKey(100)

cv2.destroyAllWindows()

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

print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)
print("重投影误差:", ret)

好了，棋盘格标定的核心内容就这些。从角点检测到亚像素优化，再到 calibrateCamera() 的参数细节，每一步都有它的道理。实际项目中，多拍几张图、多试几组参数，总能找到最适合你镜头的标定方案。