从棋盘格到清晰视界：基于Matlab Camera Calibrator的自动化畸变矫正实战

1. 为什么我们需要相机标定与畸变矫正

当你用手机拍下一张照片时，有没有发现边缘的建筑物看起来有点弯曲？这就是镜头畸变在作怪。在计算机视觉和机器人领域，这种畸变会严重影响算法的准确性。比如自动驾驶汽车依靠摄像头判断距离，如果图像本身就有畸变，那测距结果就会出错。

Matlab的Camera Calibrator工具箱就是为解决这个问题而生的。它通过分析棋盘格图案的照片，计算出相机的内参矩阵和畸变系数。内参矩阵包含了焦距、主点位置等信息，而畸变系数则描述了镜头产生的径向和切向畸变程度。

我曾在无人机视觉定位项目中遇到过这个问题。原始图像中建筑物的直线都变成了曲线，导致特征点匹配错误。使用Camera Calibrator标定后，矫正效果立竿见影，定位精度提升了30%以上。

2. 准备标定用的棋盘格图像

2.1 棋盘格的选择与打印

标定的第一步是准备高质量的棋盘格图案。根据我的经验，A3尺寸的棋盘格最适合室内标定。棋盘格方块数量建议在8×6到10×7之间，太小会影响角点检测精度，太大则不便使用。

打印时要注意：

• 使用哑光纸张避免反光
• 确保每个方块都是完美的正方形
• 打印后可以用直尺检查边长是否一致

2.2 拍摄标定图像

拍摄时要注意以下几点：

1. 从不同角度拍摄15-20张照片
2. 包含棋盘格在不同位置的图像（中心、边缘、倾斜）
3. 确保棋盘格完整出现在画面中
4. 避免强光直射造成过曝

我通常会这样操作：

• 固定相机位置，移动棋盘格
• 拍摄时保持相机对焦锁定
• 使用三脚架保持稳定

3. 使用Camera Calibrator工具箱进行标定

3.1 导入图像与参数设置

打开Matlab，在App选项卡中找到Camera Calibrator。点击"Add Images"导入拍摄的棋盘格图像。工具箱会自动检测角点，如果某些图像检测失败，可以手动调整。

关键参数设置：

• 棋盘格方块实际大小（单位毫米）
• 径向畸变系数个数（通常选2）
• 是否考虑切向畸变（建议勾选）

3.2 分析标定结果

标定完成后，工具箱会显示重投影误差。一般来说，误差小于0.5像素就算合格。如果误差过大，可以：

1. 检查是否有模糊的图像
2. 移除误差特别大的图像
3. 重新拍摄补充更多样本

我遇到过误差偏大的情况，后来发现是棋盘格纸张有轻微弯曲。换成硬质板材后问题就解决了。

4. 批量处理畸变图像的完整方案

4.1 自动化脚本编写

标定完成后，我们需要编写批量处理脚本。下面是我优化过的代码框架：

function batchUndistortImages(inputFolder, outputFolder, cameraParams) % 支持多种图像格式 extensions = {'*.jpg','*.png','*.bmp'}; fileList = []; for i = 1:length(extensions) fileList = [fileList; dir(fullfile(inputFolder,extensions{i}))]; end % 创建输出目录 if ~exist(outputFolder, 'dir') mkdir(outputFolder); end % 并行处理加速 parfor i = 1:length(fileList) try img = imread(fullfile(inputFolder, fileList(i).name)); undistortedImg = undistortImage(img, cameraParams); [~,name,ext] = fileparts(fileList(i).name); imwrite(undistortedImg, fullfile(outputFolder, [name '_corrected' ext])); catch ME fprintf('处理 %s 时出错: %s\n', fileList(i).name, ME.message); end end end

4.2 处理不同分辨率的技巧

在实际项目中，可能会遇到不同分辨率的图像。这时要注意：

1. 如果图像尺寸与标定时不同，需要缩放内参矩阵
2. 保持宽高比一致，否则会导致参数失效
3. 对于超高分辨率图像，可分块处理避免内存溢出

我封装了一个自适应函数：

function adjustedParams = adjustCameraParams(originalParams, originalSize, newSize) scaleX = newSize(2)/originalSize(2); scaleY = newSize(1)/originalSize(1); adjustedParams = originalParams; adjustedParams.IntrinsicMatrix(1,1) = originalParams.IntrinsicMatrix(1,1)*scaleX; adjustedParams.IntrinsicMatrix(2,2) = originalParams.IntrinsicMatrix(2,2)*scaleY; adjustedParams.IntrinsicMatrix(3,1) = originalParams.IntrinsicMatrix(3,1)*scaleX; adjustedParams.IntrinsicMatrix(3,2) = originalParams.IntrinsicMatrix(3,2)*scaleY; end

5. 实际应用中的问题与解决方案

5.1 边缘区域矫正效果不佳

这是最常见的问题，表现为图像边缘仍有明显畸变。解决方法包括：

1. 增加标定图像的多样性，特别是包含边缘区域的样本
2. 尝试增加径向畸变系数到3个
3. 后期处理时适当裁剪边缘

5.2 处理速度优化

批量处理大量图像时，速度很关键。我的优化经验：

1. 使用parfor并行计算
2. 将图像转换为单精度减少内存占用
3. 对超大图像先降采样处理

实测下来，这些优化能让处理速度提升3-5倍。

5.3 不同光照条件下的稳定性

光照变化会影响标定精度。建议：

1. 标定时尽量覆盖各种光照条件
2. 对过暗/过亮图像做预处理
3. 考虑使用自适应阈值算法

在室外机器人项目中，我建立了不同时间段的标定参数库，根据环境光线自动选择最适合的参数集。

6. 进阶技巧与扩展应用

6.1 多相机系统标定

对于多相机系统（如立体视觉），需要分别标定每个相机后，再进行联合标定。Matlab的stereoCameraCalibrator可以很好地完成这个任务。

关键步骤：

1. 单独标定每个相机
2. 拍摄同时包含两个相机视野的棋盘格图像
3. 计算相机间的旋转和平移矩阵

6.2 与深度学习结合

可以将矫正过程集成到深度学习pipeline中：

1. 训练前统一矫正所有图像
2. 在数据增强步骤模拟不同畸变
3. 将矫正层嵌入网络结构

我在一个目标检测项目中采用第三种方案，使模型对原始畸变图像也有了很好的鲁棒性。

6.3 实时视频流处理

对于视频流，可以使用如下处理流程：

videoReader = VideoReader('input.mp4'); videoWriter = VideoWriter('output.mp4'); open(videoWriter); while hasFrame(videoReader) frame = readFrame(videoReader); correctedFrame = undistortImage(frame, cameraParams); writeVideo(videoWriter, correctedFrame); end close(videoWriter);

7. 项目实战经验分享

在工业检测项目中，我们需要处理2000多张不同型号产品的图像。这些图像来自多个不同相机，分辨率从2K到8K不等。通过以下步骤建立了稳定的处理流程：

1. 为每个相机建立独立的标定参数
2. 开发自动识别图像来源的预处理模块
3. 实现分块处理超大分辨率图像
4. 建立质量检查机制验证矫正效果

这个系统已经稳定运行2年多，每天处理超过1万张图像。最大的收获是：良好的标定是计算机视觉项目的基石，值得投入足够的时间和精力。