本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：OpenCV是一个功能强大的开源计算机视觉库，它包含众多函数和算法，能够帮助开发者完成复杂的图像分析和处理任务。该教程将指导如何利用OpenCV测量图像中物体间的距离，涵盖必要的基础理论和关键技术。学习者将接触到特征检测与匹配、图像校正、单应性矩阵计算、相机标定、尺度恢复以及边缘检测等概念，并通过一系列实践步骤来实现距离的计算和结果的可视化。提供的示例代码和素材使得实践学习成为可能，对机器人导航、自动驾驶等应用也有实际应用价值。
【素材】使用OpenCV测量图像中物体之间的距离.zip

1. OpenCV测量图像中物体距离的理论基础

在本章中，我们将探究使用OpenCV进行图像中物体距离测量的基本理论。OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。计算机视觉技术使得计算机能够通过图像处理和模式识别技术模拟人类视觉能力。

1.1 图像测量的基本概念

图像测量是计算机视觉中的一个重要应用领域，主要涉及从图像数据中提取物体的尺寸、形状和位置信息。基于图像的测量技术广泛应用于工业自动化、医疗成像、遥感探测等多个领域。为了从二维图像中准确测量出物体的三维尺寸，需要建立准确的数学模型，其中涉及到了几何光学、线性代数、透视变换等复杂的数学和物理知识。

1.2 从像素到实际距离的转换

在图像中，物体的尺寸通常以像素为单位表示。要将这些像素尺寸转换为实际的物理尺寸（例如米或厘米），必须了解摄像机的内参和外参，以及图像中物体与摄像机间的相对位置和比例关系。通过这种方法，可以应用标定和比例尺技术，从而实现图像像素与现实世界中的物理单位之间的转换。

接下来的章节将详细探讨这些概念，并提供具体的实现方法和步骤，使读者能够运用OpenCV进行精确的距离测量。

2. 几何光学与比例尺的理论

2.1 几何光学基本概念

2.1.1 光的折射与反射定律

几何光学是研究光在不同介质中传播时遵循的定律，包括光的反射和折射。在测量图像中物体距离时，理解和应用这些光学定律是至关重要的。

光的反射定律 表明，入射光、反射光和法线都位于同一平面内，且入射角等于反射角。在摄像机成像系统中，被测物体表面的反射光决定了物体在图像中的位置和形状。

光的折射定律 ，又称为斯涅耳定律，指出入射光线、折射光线以及法线都位于同一平面内，并且入射角的正弦与折射角的正弦之比是一个恒定的值。在摄像机成像中，折射现象发生在光线通过透镜时，它影响了摄像机捕捉到的图像的准确性。

n1 * sin(θ1) = n2 * sin(θ2)

其中， n1 和 n2 分别是两种介质的折射率， θ1 是入射角， θ2 是折射角。

2.1.2 摄像机成像模型

摄像机成像模型是模拟光线通过摄像机镜头并被感光元件（如CCD或CMOS）捕捉的过程。它通常被简化为理想的针孔模型或考虑了透镜畸变的实际模型。

针孔模型假设光沿直线传播，通过一个虚拟的针孔聚焦到成像平面上。而实际的摄像机镜头可能会引入径向和切向畸变，导致图像的直线失真或边缘模糊。在进行物体距离测量时，如果未校正这些畸变，会直接影响到测量结果的准确性。

2.2 比例尺在图像测量中的作用

2.2.1 比例尺的定义与性质

比例尺是一种用于将图像中的像素距离转换为现实世界中物理距离的工具。它将图像尺寸与实际物体尺寸关联起来，使得从二维图像中可以推算出三维世界的信息。

比例尺的基本性质是线性关系，即在固定视角和焦距的条件下，图像中两个点之间的像素距离与这两点在现实世界中的实际距离成正比。

在测量应用中，比例尺的精确设定是关键步骤，因为它直接影响测量结果的准确性。

2.2.2 如何在OpenCV中设定与应用比例尺

在OpenCV中，设置比例尺首先需要已知摄像机的内参矩阵，包括焦距和主点坐标。然后，还需要知道至少一个实际距离与图像中像素距离的对应关系作为参考。

比例尺的设定通常通过以下步骤进行：

  1. 获取或计算摄像机的内参矩阵。
  2. 在已知实际距离的物体或环境中，测量或计算出物体或标记在图像上的像素距离。
  3. 根据已知的实际距离和像素距离计算出比例尺。
# 设定比例尺的Python代码示例
# 假设已知真实距离与像素距离的比例
known_distance = 1.0  # 实际距离，单位：米
pixel_distance = 500  # 图像上的像素距离

scale = known_distance / pixel_distance  # 计算比例尺

应用比例尺时，在测量图像中未知距离时，可直接使用比例尺与像素距离的乘积得到实际距离。

# 应用比例尺的Python代码示例
unknown_pixel_distance = 650  # 待测量的像素距离
unknown_real_distance = scale * unknown_pixel_distance  # 计算实际距离

print(f"未知距离的实际测量值为：{unknown_real_distance}米")

在使用比例尺进行距离测量时，为了提高精度，应考虑使用稳定和精确的方法进行实际距离与像素距离的测量。在应用层面，还需要注意不同光照条件、摄像机角度变化等因素对成像质量的影响。

3. 坐标系转换与透视变换

在进行图像中物体距离测量之前，理解图像坐标系与现实世界坐标系的转换至关重要。这种转换依赖于透视变换，该变换是将一个三维场景投影到二维图像平面上的过程。接下来的章节将深入探讨坐标系转换与透视变换的各个方面。

3.1 图像坐标系与现实世界坐标系

3.1.1 坐标系的概念与转换方法

为了在图像中测量物体的距离，需要将图像坐标系中的坐标点与现实世界中的物理坐标点对应起来。这一过程涉及到坐标系的转换。

  • 图像坐标系 ：通常以像素为单位，原点在图像的左上角，x轴水平向右，y轴垂直向下。
  • 现实世界坐标系 ：在现实世界中，一个点的位置可能用米或厘米来表示，该坐标系可以是笛卡尔坐标系，也可以是基于特定物体的自定义坐标系。

两者之间的转换通常需要一系列参数，包括相机的内参矩阵和外参矩阵。内参矩阵包含了焦距、主点坐标等信息，而外参矩阵则包含了相机相对于世界坐标系的方向和位置。

3.1.2 OpenCV中的坐标系操作

在OpenCV中，坐标系的转换可以通过函数实现，以下是关键步骤：

  1. 定义相机内参矩阵 ：通常使用 cv2.CameraCalibration 或 cv2.calibrateCamera 函数来获取。
  2. 定义相机外参矩阵 ：通过已知物体的现实世界坐标和相机成像中对应点的图像坐标，使用 cv2.solvePnP 函数求解。
  3. 应用透视变换 ：使用 cv2.getPerspectiveTransform 和 cv2.warpPerspective 函数将图像中的点转换为现实世界坐标。
# 示例代码：使用OpenCV进行坐标系转换
import numpy as np
import cv2

# 假设已知内参矩阵和外参矩阵
camera_matrix = np.array(...)  # 替换为实际的内参矩阵值
dist_coeffs = np.array(...)  # 替换为实际的畸变系数
rvecs, tvecs = np.array(...), np.array(...)  # 替换为实际的旋转向量和平移向量

# 创建目标点的现实世界坐标
object_points = np.array([[0, 0, 0], [1, 0, 0], [1, 1, 0], [0, 1, 0]], dtype="float32")

# 对应的图像坐标
image_points = np.array([...], dtype="float32")

# 使用solvePnP进行求解
ret, rvec, tvec = cv2.solvePnP(object_points, image_points, camera_matrix, dist_coeffs)

# 构建投影矩阵
proj_matrix = cv2.getProjectionMatrix4RANSAC(camera_matrix, dist_coeffs, image_size)

# 转换坐标系
projected_points, jac = cv2.projectPoints(object_points, rvec, tvec, camera_matrix, dist_coeffs)

# 转换为现实世界的点
world_points = cv2.perspectiveTransform(projected_points, proj_matrix)

3.2 透视变换在距离测量中的应用

3.2.1 透视变换的数学原理

透视变换基于投影几何，将三维点投影到二维平面上。数学上，可以通过一个3x3的单应性矩阵来表达，该矩阵描述了从一个平面到另一个平面的映射关系。

  • 单应性矩阵 （Homography）：是将一个平面内的点变换到另一个平面内的点的矩阵。当给定4个点在源平面和目标平面的对应关系时，可以使用这些对应点来求解单应性矩阵。

3.2.2 OpenCV透视变换的实现步骤

  1. 选择源平面和目标平面的点 ：这些点必须是共面的，在源平面上可以是图像的四个角，在目标平面上可以是已知距离和方向的对应点。
  2. 计算单应性矩阵 ：使用 cv2.getPerspectiveTransform 函数。
  3. 应用变换 ：使用 cv2.warpPerspective 函数来变换图像。
# 示例代码：使用OpenCV进行透视变换
# 定义源图像中的4个点（需要替换为实际图像的四个角点）
src_points = np.array([[x1, y1], [x2, y2], [x3, y3], [x4, y4]], dtype="float32")

# 定义目标图像中的点（需要替换为实际测量得到的点）
dst_points = np.array([[x1', y1'], [x2', y2'], [x3', y3'], [x4', y4']], dtype="float32")

# 计算单应性矩阵
h = cv2.getPerspectiveTransform(src_points, dst_points)

# 应用透视变换
result = cv2.warpPerspective(image, h, (width, height))

通过上述步骤，可以实现从图像坐标系到现实世界坐标系的转换，进而测量出图像中物体的实际距离。

4. 特征检测与匹配技术

4.1 特征检测算法概述

4.1.1 常用特征检测算法介绍

在OpenCV中，特征检测是通过特定算法识别出图像中的关键点，这些关键点通常对应于图像中的角点、边缘、斑点或其他显著特征。这些算法的设计目标是在不同的视角、尺度和照明条件下都能可靠地检测到特征点。

  • Harris角点检测 : Harris算法通过分析局部图像区域的梯度强度变化来识别角点。角点是图像中的局部特征，对于图像旋转、尺度变化具有不变性。
  • SIFT（尺度不变特征变换） : SIFT算法通过构建尺度空间，检测关键点，并提取关键点周围的局部特征描述符。SIFT具有尺度不变性和旋转不变性，能够提供对图像局部特征的描述。
  • SURF（加速稳健特征） : SURF算法是对SIFT算法的改进，它加快了特征检测和描述的速度，适用于实时系统。
  • ORB（Oriented FAST and Rotated BRIEF） : ORB算法结合了FAST关键点检测器和BRIEF描述符，并进行了旋转和缩放不变性的改进。

在选择合适的特征检测算法时，需要根据应用场景的需求、处理速度和精度要求进行权衡。例如，SIFT和SURF提供了较为全面的特性，但SIFT算法不受专利保护，而ORB算法则开源且速度更快。

4.1.2 特征检测在测量中的重要性

特征检测在图像测量中的作用至关重要。它可以：

  • 减少数据量：通过识别图像中的关键点，后续的特征匹配和分析工作只需在这些关键点之间进行，显著减少了计算量。
  • 提高精度：图像中的关键点通常对应于物体上的重要位置，如角点和边缘，对这些特征点的检测和匹配可以提高测量的精度。
  • 增强鲁棒性：在有噪声、遮挡或照明变化的条件下，通过检测稳定的特征点可以提高测量算法的鲁棒性。

在图像测量任务中，如使用特征检测算法识别出的特征点在不同图像中对应良好，那么根据这些特征点的像素坐标，我们可以通过几何关系计算出物体在现实世界中的尺寸和距离。

4.1.3 特征检测算法的实现

OpenCV提供了丰富的接口来实现上述特征检测算法。以ORB算法为例，以下是其基本实现步骤：

import cv2

# 读取图像
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化ORB检测器
orb = cv2.ORB_create()

# 使用ORB检测关键点和描述符
keypoints, descriptors = orb.detectAndCompute(img, None)

# 绘制关键点
img_keypoints = cv2.drawKeypoints(img, keypoints, None, color=(0, 255, 0), flags=0)

# 显示图像
cv2.imshow('ORBEstablishedKeypoints', img_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

以上代码展示了使用OpenCV库进行ORB特征检测的过程。首先，我们读取一张灰度图像，并创建一个ORB检测器实例。然后， detectAndCompute 方法检测关键点并计算它们的描述符。最后，使用 drawKeypoints 方法将这些关键点绘制在原图上，并展示出来。

4.2 特征匹配技术与优化

4.2.1 特征匹配原理与方法

特征匹配是将两幅图像中的特征点进行一一对应的配对过程。这一过程通常包括计算描述符之间的距离，并根据特定的距离阈值进行匹配。常见的特征匹配方法有：

  • 欧氏距离 : 对于BRIEF、ORB等二进制描述符，通常使用汉明距离（Hamming Distance），这是二进制字符串之间的距离。
  • 欧几里得距离 : 对于SIFT、SURF等浮点数描述符，使用欧几里得距离来衡量描述符之间的相似度。

匹配的精度直接影响测量的准确性。因此，匹配过程中通常会应用一些过滤策略，比如限制每个关键点的匹配数（k近邻匹配），或使用比率测试（Ratio Test）来排除不好的匹配。

4.2.2 特征匹配中的常见问题与解决策略

在特征匹配过程中，可能会遇到各种问题，如错误匹配、重复匹配或未匹配。这些问题可以通过以下策略解决：

  • 比率测试 : 通过限制匹配点之间的距离比率，仅保留比率最小的点对。这样可以有效减少错误匹配。
  • RANSAC算法 : 通过迭代选择内点（inliers），并忽略异常点（outliers）。RANSAC可以用来拟合模型，并且能够处理大量不匹配点。
  • FLANN匹配器 : 对于大数据集或者使用SIFT和SURF这类复杂描述符时，FLANN（Fast Library for Approximate Nearest Neighbors）提供了快速且有效的匹配方法。

以FLANN匹配器为例，下面是使用FLANN进行特征匹配的代码：

import numpy as np
import cv2

# 读取图像并转换为灰度
img1 = cv2.imread('img1.jpg', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('img2.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化ORB检测器
orb = cv2.ORB_create()

# 检测关键点和描述符
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# 创建FLANN匹配器并进行匹配
index_params = dict(algorithm=6, table_number=6, key_size=12, multi_probe_level=1)
search_params = {}
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)

# 应用比率测试
good_matches = []
for m, n in matches:
    if m.distance < 0.75*n.distance:
        good_matches.append(m)

# 绘制匹配结果
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None, flags=2)

cv2.imshow('FLANNMatches', img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此代码中，我们首先读取两幅图像并使用ORB检测关键点和描述符。然后，我们使用FLANN匹配器进行k-近邻匹配，通过比率测试过滤出好的匹配点。最后，使用 drawMatches 函数将匹配结果绘制在两幅图像上，并展示。

以上展示了特征检测和匹配技术的实现方法和优化策略。特征检测是图像处理和计算机视觉中的一项核心技术，通过合理选择和优化算法，可以在实际应用中实现高效、准确的图像特征提取和匹配任务。

5. 图像校正与畸变消除

5.1 图像畸变的类型与成因

畸变的基本概念

在摄影和摄像领域，镜头畸变是一个普遍存在的问题，它是由于光学镜头设计和制造的不完美导致的图像失真现象。根据畸变的特征和产生原因，可以将畸变分为两类：径向畸变和切向畸变。

径向畸变是指图像边缘的直线呈现为曲线，通常是向外凸出的桶形畸变或向内凹陷的枕形畸变。切向畸变是因为镜头和成像传感器平面没有完美平行造成的，会导致图像边缘出现扭曲。

畸变对测量的影响

畸变对图像中物体距离的准确测量有着严重的负面影响。当图像发生畸变时，物体的形状和大小可能会被改变，这会直接影响到根据图像比例尺计算距离的结果。例如，一个直尺在畸变图像中可能会被显示为弯曲，如果依据这样的图像来测量物体，结果自然会产生误差。

5.2 图像校正技术的实现

校正算法的选择与应用

为了消除或减少图像畸变的影响，需要进行图像校正。图像校正算法通常分为两类：基于物理模型的校正和基于学习的方法。基于物理模型的方法包括通过相机和镜头的参数来矫正图像。而基于学习的方法则使用大量已经校正的图像来训练一个模型，使其能够推断出未知畸变图像的校正参数。

OpenCV进行图像校正的方法

OpenCV 提供了一系列的函数来进行图像校正，特别是内置了畸变校正的函数 cv2.undistort 。为了应用这个函数，首先需要知道相机的内参矩阵（包括焦距和主点坐标）和畸变系数。这两个参数可以通过相机标定获得，将在后续章节中详细介绍。

下面是一个简单的代码示例，展示如何使用OpenCV进行图像校正：

import numpy as np
import cv2

# 读取校正前的图像
img = cv2.imread('distorted_image.jpg')

# 相机内参矩阵和畸变系数，这些参数可以通过标定过程获得
camera_matrix = np.array([[fx, 0, cx],
                          [0, fy, cy],
                          [0, 0, 1]])
dist_coeffs = np.array([k1, k2, p1, p2, k3])

# 使用cv2.undistort函数进行校正
h, w = img.shape[:2]
new_camera_matrix, roi = cv2.getOptimalNewCameraMatrix(camera_matrix, dist_coeffs, (w, h), 1, (w, h))

undistorted_img = cv2.undistort(img, camera_matrix, dist_coeffs, None, new_camera_matrix)

# 裁剪图像以便显示
x, y, w, h = roi
undistorted_img = undistorted_img[y:y+h, x:x+w]
cv2.imwrite('undistorted_image.jpg', undistorted_img)

在此代码段中，首先我们定义了相机的内参矩阵 camera_matrix 和畸变系数 dist_coeffs 。然后，使用 cv2.getOptimalNewCameraMatrix 函数获得最优的校正后的内参矩阵，并通过 cv2.undistort 函数得到校正后的图像。最后，根据得到的 roi（校正后图像的区域）来裁剪图像，确保校正后图像没有黑色边缘。

通过上述步骤，我们可以得到校正后的图像，减少因镜头畸变导致的测量误差。这一校正过程对于后续的距离测量与物体识别的准确性至关重要。

6. 单应性矩阵与三维位置计算

在计算机视觉领域，单应性矩阵（Homography）是一个关键的数学工具，它能够描述在不同视角下，同一个平面内点之间的变换关系。了解单应性矩阵及其在三维位置计算中的应用，对于实现精确的距离测量至关重要。本章节将详细介绍单应性矩阵的理论基础，并说明如何在OpenCV中计算和应用单应性矩阵。

6.1 单应性矩阵的理论基础

6.1.1 单应性矩阵定义与性质

单应性矩阵是一种特殊的线性变换矩阵，用于描述在三维空间内，平面到平面之间的映射关系。它将一个平面内的所有点映射到另一个平面内，且保持了共线性和交比不变性。在图像处理中，这种变换通常用于将从不同视角拍摄到的同一平面的图片进行对齐。

单应性矩阵 ( H ) 是一个 ( 3 \times 3 ) 的矩阵，可以表示为:

[
H =
\begin{bmatrix}
h_{11} & h_{12} & h_{13} \
h_{21} & h_{22} & h_{23} \
h_{31} & h_{32} & h_{33}
\end{bmatrix}
]

其中，( h_{ij} ) 是矩阵元素。单应性矩阵必须满足的条件是，图像中任意三个共线点经过变换后仍然在同一条直线上。这意味着，矩阵 ( H ) 与任意非零向量的乘积应等于一个与原向量成比例的向量。

6.1.2 如何在OpenCV中计算单应性矩阵

在OpenCV中，可以通过不同的方法计算单应性矩阵，最常见的是使用 cv2.findHomography() 函数。该函数依据所给的匹配点对计算出单应性矩阵。计算单应性矩阵通常涉及到以下步骤：

  1. 收集图像中相应的匹配点。
  2. 使用 cv2.findHomography() 计算单应性矩阵。
  3. 应用单应性矩阵对图像进行透视变换。

代码示例如下：

import numpy as np
import cv2

# 假设 points1 和 points2 是两个匹配点对的列表
points1 = np.float32([[x1, y1], [x2, y2], ...])
points2 = np.float32([[x1', y1'], [x2', y2'], ...])

# 计算单应性矩阵
H, _ = cv2.findHomography(points1, points2)

# 应用单应性矩阵到一个图像
# 假设 img 是要变换的图像
height, width, channels = img.shape
h, w = height, width
pts = np.float32([[0, 0], [0, h], [w, h], [w, 0]]).reshape(-1, 1, 2)
dst = cv2.perspectiveTransform(pts, H)

# 绘制四边形到原图上
img = cv2.polylines(img, [np.int32(dst)], True, 255, 3, cv2.LINE_AA)

在此代码段中， points1 和 points2 是图像之间的对应点对，可以通过特征匹配算法（如SIFT, SURF, ORB等）获得。 cv2.findHomography() 函数计算了两个平面之间的单应性矩阵 H 。然后利用 cv2.perspectiveTransform() 函数应用此矩阵来变换点集 pts ，从而将一个图像上的点映射到另一个图像的对应位置。

单应性矩阵的应用

单应性矩阵被广泛应用于计算机视觉的许多任务中，包括图像拼接、目标识别和三维重建等。通过使用单应性矩阵，可以实现图像之间的对齐，即把不同视角下的同一场景对准到一个共同的视角。这种变换允许计算机视觉系统以更一致的方式处理和分析图像内容。

6.2 从二维到三维的转换

6.2.1 三维空间点的计算方法

从二维图像到三维空间的转换需要相机的内参矩阵和单应性矩阵。假设我们知道相机的焦距 ( f )、主点坐标 ( (c_x, c_y) ) 以及从图像上得到的点 ( (u, v) )，可以通过以下公式计算其在三维世界中的对应点 ( (X, Y, Z) )：

[
\begin{bmatrix}
X \
Y \
Z
\end{bmatrix}
=
Z
\begin{bmatrix}
\frac{u - c_x}{f} \
\frac{v - c_y}{f} \
1
\end{bmatrix}
]

其中 ( Z ) 是该点在世界坐标系中的深度信息。

6.2.2 三维坐标的获取与应用场景

三维坐标的信息可以由单应性矩阵和已知的三维参照点计算得出。例如，如果我们知道单应性变换前后某个点在真实世界中的位置，就可以通过这一信息来恢复其他图像点的三维坐标。

三维坐标的获取有着广泛的应用，包括机器人导航、增强现实、场景重建以及物体检测和分类。在测量物体距离时，可以使用三维坐标来计算物体在空间中的位置和尺寸。

在实际操作中，获取三维坐标的精确度受到相机标定准确性的影响。一个精确的相机模型能够提供更准确的内参矩阵，从而提高三维坐标的准确性。这就要求我们在进行距离测量之前，必须进行精确的相机标定。

以上，我们探讨了单应性矩阵的概念、计算方法以及如何将其应用于从二维图像到三维空间的转换。在理解了这些基础理论之后，我们才能有效地利用这些工具来实现精确的距离测量和三维重建。接下来的章节将讨论相机标定的相关内容，这是实现精确测量的另一关键步骤。

7. 相机标定与内参矩阵获取

7.1 相机标定的理论与方法

相机标定是计算机视觉中的重要步骤，目的是确定相机的内部参数和外部参数，从而使得三维世界中的点能够通过这些参数映射到二维图像平面上。标定的过程包括了拍摄标定物体的多张照片，计算出相机的内参矩阵和畸变参数。

7.1.1 相机标定的基本流程

相机标定的基本流程大致分为以下几个步骤：

  1. 准备标定板 ：使用规则分布的点阵或者格点作为标定板，如棋盘格。
  2. 采集标定图像 ：从不同的角度拍摄标定板的多张图片。
  3. 检测角点 ：在每张图像中检测标定板上角点的位置。
  4. 计算内参和畸变参数 ：根据角点在世界坐标系和图像坐标系中的位置，使用标定算法计算相机的内参矩阵和畸变系数。
  5. 验证标定结果 ：利用计算得到的参数对测试图像进行校正，确保标定的准确性。

7.1.2 OpenCV中的相机标定工具

OpenCV提供了一套实用的标定工具，主要包含在 cv2.calibrateCamera 函数中。在使用此函数之前，需要准备以下内容：

  • 一组用于标定的图像。
  • 对应的角点的世界坐标（如棋盘格的每个角点坐标）。
  • 角点在图像中的像素坐标。

下面是一个简单的代码示例，展示如何使用OpenCV进行相机标定：

import numpy as np
import cv2
import glob

# 准备棋盘格角点的世界坐标
chessboard_size = (6, 9)
objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2)

# 用于存储所有图像的对象点和图像点的数组
objpoints = []  # 3d point in real world space
imgpoints = []  # 2d points in image plane

# 读取所有标定图像
images = glob.glob('calibration_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 找到棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)

    # 如果找到了，添加对象点，图像点
    if ret == True:
        objpoints.append(objp)
        imgpoints.append(corners)

        # 绘制并显示角点
        img = cv2.drawChessboardCorners(img, chessboard_size, corners, ret)
        cv2.imshow('img', img)
        cv2.waitKey(500)

cv2.destroyAllWindows()

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

# 输出结果
print("Camera matrix : \n")
print(mtx)
print("dist : \n")
print(dist)
print("rvecs : \n")
print(rvecs)
print("tvecs : \n")
print(tvecs)

7.2 内参矩阵在距离测量中的作用

内参矩阵是相机标定中非常关键的一个部分，它包含了相机的焦距、主点坐标等信息，这些参数对于从图像坐标到真实世界坐标的转换是必不可少的。

7.2.1 内参矩阵的获取与理解

内参矩阵 K 通常表示为一个3x3矩阵，其形式如下：

K = | fx  0  cx |
    | 0  fy  cy |
    | 0   0   1 |

其中， fx 和 fy 分别是图像x轴和y轴方向的焦距， cx 和 cy 是相机光心在图像平面上的坐标。通过标定可以准确获取这些参数。

7.2.2 如何利用内参矩阵提升测量精度

在距离测量中，内参矩阵的作用是将图像上的像素坐标转换为实际的物理尺寸。知道了内参矩阵，我们可以通过以下公式从像素坐标转换为实际坐标：

X = (x - cx) * (Z / fx)
Y = (y - cy) * (Z / fy)

其中， (x, y) 是图像上的像素坐标， (X, Y, Z) 是实际的三维坐标， Z 通常是通过其他测量手段获取的深度信息。

通过精确的内参矩阵，可以更准确地进行三维重建和距离测量。在实际应用中，标定后的相机可以用于测量真实世界中的物体尺寸，例如，利用标定过的相机对场景中的物体进行测量，可以得到比未标定相机更准确的结果。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：OpenCV是一个功能强大的开源计算机视觉库，它包含众多函数和算法，能够帮助开发者完成复杂的图像分析和处理任务。该教程将指导如何利用OpenCV测量图像中物体间的距离，涵盖必要的基础理论和关键技术。学习者将接触到特征检测与匹配、图像校正、单应性矩阵计算、相机标定、尺度恢复以及边缘检测等概念，并通过一系列实践步骤来实现距离的计算和结果的可视化。提供的示例代码和素材使得实践学习成为可能，对机器人导航、自动驾驶等应用也有实际应用价值。


本文还有配套的精品资源，点击获取
menu-r.4af5f7ec.gif

Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

avatar 智能体开发者社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

avatar 智能体开发者社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla

avatar 智能体开发者社区