Python+OpenCV学习（17）---摄像机标定

Python+OpenCV学习（17）---摄像机标定

原文：http://blog.csdn.net/firemicrocosm/article/details/48594897

利用python学习OpenCV，个人感觉比较方便。函数的形式与C++基本相同，所以切换过来还是比较好的，对于像我这种对python不太熟练的人，使用python的集成开发环境PyCharm进行学习，可以设置断点调试，有助于我这类初学者理解掌握。

摄像机标定是机器人视觉进行目标定位跟踪的首要环节，通过标定板标定好摄像机的内外参数，然后进行后续的定位识别工作。本次介绍的摄像机标定的实验测试图像是OpenCV安装目录文件夹cpp\samples中的left0-left14.jpg图像。

下面是利用python语言结合OpenCV进行摄像机标定的代码：

 # -*- coding:utf-8 -*-
 __author__ = 'Microcosm'

 import cv2
 import numpy as np
 import glob

 # 设置寻找亚像素角点的参数，采用的停止准则是最大循环次数30和最大误差容限0.001
 criteria = (cv2.TERM_CRITERIA_MAX_ITER | cv2.TERM_CRITERIA_EPS, 30, 0.001)

 # 获取标定板角点的位置
 objp = np.zeros((6*7,3), np.float32)
 objp[:,:2] = np.mgrid[0:7,0:6].T.reshape(-1,2)  # 将世界坐标系建在标定板上，所有点的Z坐标全部为0，所以只需要赋值x和y

 obj_points = []    # 存储3D点
 img_points = []    # 存储2D点

 images = glob.glob("E:\python\Python Project\opencv_showimage\images\calibrateImages\*.jpg")
 for fname in images:
     img = cv2.imread(fname)
     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     size = gray.shape[::-1]
     ret, corners = cv2.findChessboardCorners(gray, (7,6), None)

     if ret:
         obj_points.append(objp)

         corners2 = cv2.cornerSubPix(gray, corners, (5,5), (-1,-1), criteria)  # 在原角点的基础上寻找亚像素角点
         if corners2:
             img_points.append(corners2)
         else:
             img_points.append(corners)

         cv2.drawChessboardCorners(img, (7,6), corners, ret)   # 记住，OpenCV的绘制函数一般无返回值
         cv2.imshow('img', img)
         cv2.waitKey(50)

 print len(img_points)
 cv2.destroyAllWindows()

 # 标定
 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points,size, None, None)

 print "ret:",ret
 print "mtx:\n",mtx        # 内参数矩阵
 print "dist:\n",dist      # 畸变系数   distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
 print "rvecs:\n",rvecs    # 旋转向量  # 外参数
 print "tvecs:\n",tvecs    # 平移向量  # 外参数

 print("-----------------------------------------------------")
 # 畸变校正
 img = cv2.imread(images[12])
 h, w = img.shape[:2]
 newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx,dist,(w,h),1,(w,h))
 print newcameramtx
 print("------------------使用undistort函数-------------------")
 dst = cv2.undistort(img,mtx,dist,None,newcameramtx)
 x,y,w,h = roi
 dst1 = dst[y:y+h,x:x+w]
 cv2.imwrite('calibresult11.jpg', dst1)
 print "方法一:dst的大小为:", dst1.shape

 # undistort方法二
 print("-------------------使用重映射的方式-----------------------")
 mapx,mapy = cv2.initUndistortRectifyMap(mtx,dist,None,newcameramtx,(w,h),5)  # 获取映射方程
 #dst = cv2.remap(img,mapx,mapy,cv2.INTER_LINEAR)      # 重映射
 dst = cv2.remap(img,mapx,mapy,cv2.INTER_CUBIC)        # 重映射后，图像变小了
 x,y,w,h = roi
 dst2 = dst[y:y+h,x:x+w]
 cv2.imwrite('calibresult11_2.jpg', dst2)
 print "方法二:dst的大小为:", dst2.shape        # 图像比方法一的小

 print("-------------------计算反向投影误差-----------------------")
 tot_error = 0
 for i in xrange(len(obj_points)):
     img_points2, _ = cv2.projectPoints(obj_points[i],rvecs[i],tvecs[i],mtx,dist)
     error = cv2.norm(img_points[i],img_points2, cv2.NORM_L2)/len(img_points2)
     tot_error += error

 mean_error = tot_error/len(obj_points)
 print "total error: ", tot_error
 print "mean error: ", mean_error

下图是畸变校正前的图片：

通过标定获取摄像机内外参数以及畸变校正系数后对其进行校正：

方法一：

方法二：