企业官网建设流程全解析

简介：面向C++与OpenCV学习者的相机标定及图像校正助手，基于VS+OpenCV+Qt实现可交互的界面化标定与畸变校正流程，特别适合课程设计大作业场景。压缩包共一百四十七个文件，内含标定图像与畸变样张（八十一张bmp/jpg图片），以及cpp/h源码、Qt界面ui与qrc资源、Visual Studio工程、编译中间文件和可直接运行的程序，整体约36.32MB。软件针对多种异常跳出条件做了处理，鲁棒性强，运行后能完成相机参数解算并查看校正输出，覆盖图像读取、标定计算、畸变校正与结果展示等环节。配套博客提供原理讲解与使用说明，购买后可联系作者答疑，也便于在源码基础上二次开发或整理成课设报告。目前已有两千零八十六人学习下载，值得计算机视觉方向初学者参考。

1. 相机标定+图像校正助手：为什么视觉人手里都要留一个这样的桌面工具

有同行问我：相机标定和图像校正助手这种工具，OpenCV 官方例程里有现成的calibrateCamera，为什么还要用 VS+OpenCV+Qt 再包一层？我的回答是：官方例程只给你一个黑匣子似的控制台窗口，而实际生产里需要的是“标定→校样→存参数→以后随时调出来用”这一整条闭环。这个标题做的就是把这两件事接起来：前一半解决“相机内参和畸变系数是多少”，后一半解决“怎么让图像立刻变直”。适合做视觉测量、三维重建和机器人抓取定位的人，尤其适合手里有一堆摄像头、每次换镜头都要重新标定内参的现场工程师。

2. 相机标定的数学模型：内参矩阵、畸变系数与标定板选择依据

2.1 针孔模型与内参矩阵：fx、fy 和 cx、cy 到底在描述什么

一个像素在图像上的位置，本质上是三维空间点经过光心投影到成像平面，再经过像素采样得到的。针孔模型把这条链路压缩成一个 3×3 内参矩阵 K：

K = [fx 0 cx 0 fy cy 0 0 1]

fx、fy 是焦距换算到像素单位的数值。如果感光元件的像元尺寸是正方形，fx 和 fy 应该很接近，但不完全相等，因为 CMOS 的装配误差和像素时钟采样都会引入微小差异。cx、cy 是主点，即光轴与成像平面的交点，理论上应该在图像正中心，实际上会偏几个到几十个像素。这个偏差如果不校正，做测距时会产生系统性偏移。

配合内参的还有每张标定图独立的外参——旋转矩阵 R 和平移向量 t。图像校正助手只需要内参和畸变，但calibrateCamera在计算内参时必须同时估计外参，没有这些外参约束，内参方程解不出来。所以后面代码里rvecs、tvecs必须接住，不能省。

这里要提一个 MATLAB 相机标定工具箱的对比。很多习惯用 MATLAB Camera Calibrator 导出参数的人，转到 OpenCV 时发现图像校正出来是弯的，原因有两个：畸变系数顺序不同，以及部分导出脚本把主点顺序搞混。所以我在助手实现里只认自己代码存储的 XML 格式参数，外部导入必须做格式校验。

标定完成后，这套 K 和 D 最直接的消费方有两个：一个是图像校正，另一个是solvePnP位姿估计。后者只需要把棋盘格的三维点与二维点对应关系传给solvePnP，内参矩阵直接复用标定结果，不需要重新标定。

2.2 畸变模型：径向畸变与切向畸变对图像校正的影响

镜头畸变主要分两类。径向畸变来自透镜曲面形状，表现为直线向中心弯曲（桶形畸变）或向外弯（枕形畸变），用一个多项式近似：

x_distorted = x * (1 + k1 * r^2 + k2 * r^4 + k3 * r^6) y_distorted = y * (1 + k1 * r^2 + k2 * r^4 + k3 * r^6)

其中 r 是像素点到主点的距离。切向畸变来自镜头与感光元件不平行，公式里引入 p1、p2 两个参数。OpenCV 的畸变系数向量默认顺序是 (k1, k2, p1, p2, k3)，注意不是 (k1, p1, k2, p2, k3)，新手最容易在这栽跟头。

k3 要不要参与标定是个值得讨论的问题。对普通手机镜头或工业镜头，k3 值本身很小，参与标定反而可能和 k1、k2 产生耦合，让参数不稳定。常见做法是标定时先用完整 5 参数，看重投影误差如果在 0.3 像素以内就不动它；如果误差压不下去，再考虑是否固定 k3。calibrateCamera支持通过 flags 组合控制哪些参数自由、哪些固定，比如CALIB_FIX_K3就是把三阶径向畸变钉死在 0。这是调参里最容易被忽略的自由度。

2.3 标定板、角点数量与图像姿态：决定标定上限的几张表

棋盘格是默认标定板，因为角点提取稳定、制作成本低。但 patternSize 的坑很大：一个打印出来 10 列 7 行的黑白网格图，内角点是 9×6，不是 10×7。findChessboardCorners返回的是棋盘格内部交点，外边界的格子交点不算。填错这个参数，角点检测要么直接失败，要么在人眼看来都正常但坐标偏一格。

标定板最好是硬质平面。打印到普通纸上再贴到玻璃或铝板上，因为弯曲的标定板会把曲面误差带进内参。纸张受潮、边缘翘起都会让角点亚像素坐标偏移，最后表现在重投影误差上就是压不进去。

需要多少张图？我说一个实际标准：15～25 张。低于 10 张，内参和外参的耦合度太高，标出来的主点会随图像选择漂移；超过 30 张收益递减，而且某几张模糊图的角点反而会拉低整体精度。图像的姿态要覆盖整个画面——中心、四个角、上下左右边缘，标定板平面与相机光轴夹角在 15° 到 30° 之间变化。全部平放在正前方、只做小角度旋转的图，数学上退化成同一组约束，数量再多也没用。

从这个表能看出来，标定质量首先由采集决定，标定算法只是把采集的信息提取出来。很多人以为代码写对了就能标准，实际上多一半的翻车现场是图像采集没按这个表来，细节留到第五章展开。

3. VS+OpenCV+Qt工程搭建：环境配置与最小标定代码跑通

3.1 版本搭配：VS、OpenCV 与 Qt 怎么选

先澄清一个容易找错门的事：标题里的 VS 是 Visual Studio，不是 VS Code。不少新手用 VS Code 配好了 OpenCV，然后去跑 Qt 项目，最后卡在 MSBuild 和 CMake 的选择上。这个项目按 Visual Studio 工程体系来做，插件用 Qt VS Tools，编译走 MSBuild，省事很多。

版本搭配有一个我长期使用的组合，覆盖绝大多数 Windows 下的相机标定和图像处理需求：

为什么强调 Qt 5.15.2 而不是 Qt 6？因为 Qt 6 推荐 CMake 构建，和 VS 的 MSBuild 集成没有 5.15 那么顺滑，而且大量现成的 OpenCV 示例还是按 Qt 5 写的。如果你已经装了 Qt 6，也能跑，但要把信号槽语法和模块名重新过一遍，新手不建议从 Qt 6 起步。

3.2 工程属性配置：包含目录、附加依赖项与 Debug/Release 的对应关系

新建一个 Qt Widgets Application 项目后，打开项目属性，有四样东西必须配齐。我给出一份可抄的配置清单：

VC++ 目录 -> 包含目录: D:\opencv\build\include D:\Qt\5.15.2\msvc2019_64\include VC++ 目录 -> 库目录: D:\opencv\build\x64\vc15\lib D:\Qt\5.15.2\msvc2019_64\lib 链接器 -> 附加依赖项 (Debug): opencv_world4xxd.lib Qt5Cored.lib;Qt5Guid.lib;Qt5Widgetsd.lib 链接器 -> 附加依赖项 (Release): opencv_world4xx.lib Qt5Core.lib;Qt5Gui.lib;Qt5Widgets.lib

这里的4xx按你实际下载的 OpenCV 版本写，比如 4.8 就写opencv_world480d.lib。Debug 和 Release 必须分开配，OpenCV 的 debug 库自带 d 后缀，混用会在链接期报出一堆无法解析的外部符号，或者运行期直接崩。

还有一个很多人忽略的点：C/C++ -> 代码生成 -> 运行库，Debug 用<MDd>，Release 用<MD>。Qt 的预编译库是用动态运行时编的，如果你开了静态链接或改成<MTd>，轻则链接警告，重则出现cannot mix incompatible Qt library这类运行时崩溃。这是 VS 下 Qt 项目最经典的坑，后面避坑章专门说。

配完之后记得把D:\opencv\build\x64\vc15\bin和D:\Qt\5.15.2\msvc2019_64\bin加进系统 PATH，或者拷贝到 exe 同目录，否则程序启动时报找不到 DLL。

3.3 最小标定程序：从 findChessboardCorners 到 calibrateCamera

工程能跑起来之后，先写一个不依赖界面的控制台版标定，验证相机内参标定主链路通不通。这个最小程序是后面所有功能的地基。

#include <opencv2/opencv.hpp> #include <iostream> #include <vector> int main() { const cv::Size patternSize(9, 6); // 内角点数量：列 x 行，不是格子数 const float squareSize = 24.0f; // 棋盘格单个格子边长，单位 mm std::vector<cv::String> images; cv::glob("calib/*.jpg", images, false); std::vector<std::vector<cv::Point3f>> objectPoints; std::vector<std::vector<cv::Point2f>> imagePoints; cv::Size imageSize; for (const auto& path : images) { cv::Mat img = cv::imread(path); cv::Mat gray; cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY); imageSize = img.size(); std::vector<cv::Point2f> corners; bool ok = cv::findChessboardCorners(gray, patternSize, corners, cv::CALIB_CB_ADAPTIVE_THRESH | cv::CALIB_CB_NORMALIZE_IMAGE); if (!ok) { std::cerr << "角点检测失败: " << path << std::endl; continue; } // 亚像素精化，把角点坐标从整数像素推到亚像素级 cv::cornerSubPix(gray, corners, cv::Size(5, 5), cv::Size(-1, -1), cv::TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::COUNT, 30, 0.01)); // 每张图对应同一组三维点，z 坐标固定为 0，边长用真实毫米值 std::vector<cv::Point3f> obj; for (int r = 0; r < patternSize.height; r++) for (int c = 0; c < patternSize.width; c++) obj.push_back(cv::Point3f(c * squareSize, r * squareSize, 0.0f)); objectPoints.push_back(obj); imagePoints.push_back(corners); } cv::Mat K, D; std::vector<cv::Mat> rvecs, tvecs; double rms = cv::calibrateCamera(objectPoints, imagePoints, imageSize, K, D, rvecs, tvecs); std::cout << "RMS = " << rms << std::endl; std::cout << "K = " << K << std::endl; std::cout << "D = " << D << std::endl; return 0; }

这段代码做了几件事：用cv::glob把 calib 目录下的 jpg 文件一次性加载，然后逐张做角点检测；CALIB_CB_ADAPTIVE_THRESH让算法在光照不均匀时改用自适应阈值，CALIB_CB_NORMALIZE_IMAGE在检测前做图像归一化，这两个 flag 对手机拍的标定图几乎必须开。cornerSubPix的窗口设成 5×5，迭代 30 次，精度 0.01 像素，太小找不到邻域，太大把细节抹掉。

注意squareSize我写的是真实毫米值。如果只做畸变校正不求绝对尺度，把它设成 1.0 问题也不大；但后面如果想用 fx 做实际距离测量，就必须给真实尺寸，否则换算到毫米时乘出来的比例全是错的。

calibrateCamera返回的 RMS 是重投影误差，单位是像素，判断标准后面单独讲。控制台打印出来的 K 和 D 会被后面 Qt 界面读取，这一步先确认数值不是极端值，比如 fx 不可能小于图像宽度的一半，cx 不会跑到几千以外。

4. 图像校正助手的Qt界面实现：Mat转QImage、校正映射与参数存取

4.1 界面骨架：用 Qt Designer 画出来的五个区域和信号槽

助手类界面不需要花哨，核心是把操作路径缩短。我一般用 Qt Designer 画一个主窗口，布局分五块：左上角原图显示QLabel，右上角校正预览QLabel，中间一列参数表（fx、fy、cx、cy、k1、k2、p1、p2、k3、RMS），下方一排按钮——打开图像、检测角点、运行标定、保存参数、加载参数、校正当前图、启动实时校正。

按钮对应的槽函数在 Qt 5 里用connect(ui->btnOpen, &QPushButton::clicked, this, &MainWindow::onOpenImage)连接，逻辑清晰。真正需要写代码的部分是图像读取和显示，以及调用 OpenCV 算法链。界面本身不用写太多东西，Qt Designer 拖好控件，命名规范一点，后面就顺了。

打开图像槽函数里有一个核心问题：OpenCV 读进来的是cv::Mat，Qt 显示需要QImage。这个转换不处理好，出来的图要么颜色通道反了变成红蓝互换，要么显示花屏。

4.2 cv::Mat 与 QImage 的转换：避开内存不连续和通道乱序

OpenCV 的Mat默认是 BGR 三通道，Qt 的QImage常见格式是 RGB888 和 ARGB32。直接cv::cvtColor(mat, mat, cv::COLOR_BGR2RGB)之后构造 QImage 是常见做法，但很多人在这一步忘了处理mat.step。如果图像的 ROI 是子矩阵，行的字节数不等于 cols×channels，必须把bytesPerLine参数传进去。

QImage MatToQImage(const cv::Mat& mat) { switch (mat.type()) { case CV_8UC3: { QImage img(mat.data, mat.cols, mat.rows, mat.step, QImage::Format_RGB888); return img.copy(); } case CV_8UC4: { QImage img(mat.data, mat.cols, mat.rows, mat.step, QImage::Format_ARGB32); return img.copy(); } case CV_8UC1: { QImage img(mat.data, mat.cols, mat.rows, mat.step, QImage::Format_Grayscale8); return img.copy(); } default: { // 16位或浮点图像先归一化到8位再递归转换 cv::Mat temp; double minVal, maxVal; cv::minMaxLoc(mat, &minVal, &maxVal); mat.convertTo(temp, CV_8U, 255.0 / (maxVal - minVal)); return MatToQImage(temp); } } }

这个函数里最关键的是mat.step作为bytesPerLine传入 QImage 构造函数，保证子矩阵和 ROI 图像不花屏。其次是用.copy()返回新 QImage，因为QImage构造时只是引用了Mat的数据指针，如果Mat在函数结束后被释放，界面上显示的图像就会变成随机内存垃圾。

在默认分支里，16 位深度和浮点图像的minMaxLoc+convertTo映射是保证不同深度都能显示的处理路径。实际使用中，相机标定的中间结果比如视差图、深度图都会走到这里。

4.3 校正核心逻辑：initUndistortRectifyMap 与 remap 的组合用法

图像校正的地基函数是remap，但新手常用的是cv::undistort。区别在于：undistort每次调用内部都会重新计算映射表，实时视频流里每帧都算一遍映射，CPU 消耗大；正确做法是标定后先算一次映射表，然后视频循环里直接查表重映射。

cv::Mat newK = cv::getOptimalNewCameraMatrix( K, D, imageSize, 0.0, imageSize); cv::Mat map1, map2; cv::initUndistortRectifyMap( K, D, cv::Mat(), newK, imageSize, CV_32FC1, map1, map2); // 静态图校正 cv::Mat corrected; cv::remap(distorted, corrected, map1, map2, cv::INTER_LINEAR, cv::BORDER_CONSTANT, cv::Scalar(0, 0, 0)); // 视频流循环里复用 map1、map2，每帧只执行 remap

这里有个关键参数：getOptimalNewCameraMatrix的 alpha。alpha 取 0 时，返回的新内参矩阵会把校正后图像中所有无效黑色边缘裁掉，视野损失一部分；alpha 取 1 时，保留原始图像所有像素，但图像四周会出现大片黑色无效区。对测量类项目，我通常取 0.5 左右，视野和裁剪平衡，后续手动裁剪 ROI 也方便。

initUndistortRectifyMap的映射类型我用CV_32FC1，这是单精度浮点映射，比CV_16SC2精度高。虽然浮点映射内存占用大一倍，但校正后的边缘细节更稳定。如果是在嵌入式设备上跑实时流，再换回CV_16SC2也不迟。

静态图校正走一次remap，视频流校正走循环remap，这两条路径在助手界面上用一个枚举变量区分。实时预览我一般不开，因为工业相机采集线程和 UI 刷新线程一旦共用同一个 Mat，会出现数据竞争，界面卡顿。

4.4 参数存档：用 FileStorage 把相机矩阵和畸变系数存成 XML

标定参数不能每次关程序都丢，必须落盘。OpenCV 自带的FileStorage是最省事的方案，读写直接是Mat类型，不需要自己做字符串解析。

// 保存标定结果 cv::FileStorage fs("camera.xml", cv::FileStorage::WRITE); fs << "imageSize" << imageSize; fs << "cameraMatrix" << K; fs << "distCoeffs" << D; fs << "rms" << rms; fs.release(); // 加载标定结果 cv::FileStorage fr("camera.xml", cv::FileStorage::READ); if (!fr.isOpened()) { // 找不到参数文件时提示重新标定 return false; } fr["cameraMatrix"] >> K; fr["distCoeffs"] >> D; fr.release();

保存格式用 XML 还是 YAML 取决于个人习惯。XML 在 Windows 下可以用文本编辑器打开检查，YAML 更紧凑，JSON 也能写但老版本 OpenCV 支持不稳。我用 XML 的原因是方便和 MATLAB 导出的参数做人工比对。

参数文件里必须记录imageSize。很多人标定完换一个分辨率用同一份内参，结果校正后图像比例失调，原因就是内参矩阵里的 fx、fy 和 cx、cy 全都和分辨率强相关。加载参数后第一件事就校验当前图像尺寸和imageSize是否一致，不一致直接打警告，不让用户稀里糊涂用错参数。

5. 相机标定与图像校正避坑清单：cannot mix Qt 版本冲突、角点检测失败与校正翻车现场

5.1 启动崩溃：cannot mix incompatible Qt library 与 Qt 平台插件缺失

现象：程序编译通过，双击运行时弹窗报fatal: cannot mix incompatible Qt library (version 0x50601) with this library，或者命令行出现qt.qpa.plugin: could not find the Qt platform plugin "windows"。

原因：前者是 Qt 库版本混用。最常见的是 Debug 配置里链接了不带 d 后缀的 Qt 库，或者 OpenCV 库用opencv_world480d.lib编译出的程序链接了非 debug 版 Qt 库，导致 Qt 内部版本字符串和加载库的版本对不上。后者是 Qt 的 platforms 插件目录找不到。程序运行时需要platforms/qwindows.dll，这个文件在 Qt 安装目录的plugins下，编译器不会自动把它复制到 exe 目录。如果 PATH 里没有 Qt 的 bin 目录，插件加载就失败。

解决：先检查配置表，Debug 全用带 d 的库，Release 全用不带 d 的库，运行库统一/MDd和/MD。然后确认QTDIR环境变量指向D:\Qt\5.15.2\msvc2019_64，或者直接在项目属性里把$(QTDIR)\plugins加进 PATH。最后在main函数开头设置：

qputenv("QT_QPA_PLATFORM_PLUGIN_PATH", "D:/Qt/5.15.2/msvc2019_64/plugins/platforms");

这个错误十有八九是环境变量和库版本混搭造成的，不用怀疑 OpenCV 和 Qt 本身不兼容。

5.2 角点检测失败：棋盘格明明清晰，findChessboardCorners 却返回 false

现象：拍摄的棋盘格图像从肉眼看不反光、不缺角，但findChessboardCorners返回 false，或者偶尔检测成功、偶尔失败，用同一组图像第二次跑结果不一样。

原因：一是 patternSize 填错。比如 10×7 的格子，内角点是 9×6，填成 10×7 时算法在行列方向多找一个角点，导致边缘不闭合。二是图像里有反光，白色格子的高光区域在灰度图上呈白色块，自适应阈值把格子边界吃掉了。三是CALIB_CB_FAST_CHECKflag 在某些低分辨率图像上会因为快速预扫描不通过而主动放弃检测，这个 flag 本来是用来提速的，但牺牲了检出率。

解决：先确认 patternSize 是内角点数，不是格子数。然后用CALIB_CB_ADAPTIVE_THRESH | CALIB_CB_NORMALIZE_IMAGE，关掉FAST_CHECK试一次。如果图像是手机拍的，先转灰度再检测。我把这个检测写成了带重试的函数，第一次失败后降低阈值、关掉FAST_CHECK再跑一次，成功率从 80% 提到 99%。

5.3 校正后图像怪怪的：棋盘格尺寸单位与重投影误差的双重陷阱

现象：标定程序 RMS 显示只有 0.2 像素，看起来精度很高，但校正后的图像边缘直线还是弯的，或者把照片放大了看，有四角拉伸变形。

原因：RMS 只衡量角点在标定板平面上的重投影误差，它反映的是“标定模型和用来标定的图像拟合得好不好”，不代表“校正到真实世界准不准”。如果标定图像全部集中在画面中心、角度变化小，RMS 可能很低，但主点和畸变系数被外参不充分约束拖累，校正后视野边缘的直线弯曲依旧。另一个原因是棋盘格尺寸传了归一化值，校正本身不依赖真实尺寸，但如果你用标定出来的 fx、fy 做距离换算，量出来的值全部差一个比例系数。

解决：增加覆盖四角和大角度倾斜的标定图，重标定后再看 RMS。RMS 低于 0.3 像素只是基础门槛，关键看校正后画面边缘的直线是不是直的，这个验证方法最后一章详细讲。棋盘格尺寸尽量用游标卡尺量一下再填进代码，毫米误差哪怕只有 1mm，对 f=1000px 级别的相机来说影响不大，但对于做毫米级测量的系统就必须严谨。

5.4 边缘黑边与视野丢失：alpha 与 getOptimalNewCameraMatrix 的参数玄学

现象：校正后的图像四角出现大块黑色，或者图像内容被裁剪掉一圈，看起来视野明显变小。

原因：没有调用getOptimalNewCameraMatrix，直接用原始 K 传给initUndistortRectifyMap。原始 K 假设的是理想无畸变成像平面，而畸变校正后有效像素区域是弯曲的，原始内参会把大量无效像素映射到视野外围，黑边就是这么来的。反过来，alpha 取 0 时getOptimalNewCameraMatrix会把所有黑边裁掉，但视野损失也最大，如果镜头本身视场角不够宽，裁剪后目标容易出画。

解决：alpha 参数不要走极端。静态图像测量用 0.5，实时视频流用 0.8 以上，既保留足够视野又避免黑边干扰。如果后续还要接solvePnP测位姿，记得把getOptimalNewCameraMatrix返回的newK存下来，因为后续所有像素坐标换算都要用它，原始 K 只用于标定和查看。

5.5 换分辨率后内参失效：标定参数不是一次管终身的

现象：今天用 1920×1080 标定的参数，明天相机分辨率切成 1280×720，加载 XML 后校正的图像比例不对，测距结果偏得离谱。

原因：fx、fy、cx、cy 全部是基于像素坐标的，分辨率一变，主点和等效焦距都要按比例缩放。很多相机驱动允许切分辨率，但内参矩阵不会自动跟着变。

解决：在参数文件里记录imageSize，加载时校验。如果分辨率不一致，提供两种处理：一种是用比例缩放内参，公式是fx_new = fx * new_width / old_width，但这种做法只在裁剪中心区域时近似成立；另一种是直接重新标定。我在助手界面上做了禁止按钮逻辑，参数文件与当前图像尺寸不一致时，校正按钮直接置灰，强制用户重新标定。别嫌麻烦，换分辨率是最容易让标定成果报废的操作，没有后悔药。

6. 用重投影误差和直线校验标定质量：三个实用技巧

6.1 逐图重投影误差：不要只看均值，异常图才是拉低精度的元凶

calibrateCamera返回的 RMS 是所有图像误差的均值，但它掩盖了一个事实：某一张图角点检测偏了，其余十几张都正常，RMS 可能只从 0.15 涨到 0.2，表面上看还能用，实际上那张异常图正在扭曲整组内参。我习惯标定后把每张图的逐图误差打印出来：

for (size_t i = 0; i < objectPoints.size(); ++i) { std::vector<cv::Point2f> reprojected; cv::projectPoints(objectPoints[i], rvecs[i], tvecs[i], K, D, reprojected); double err = cv::norm(imagePoints[i], reprojected, cv::NORM_L2) / (double)imagePoints[i].size(); std::cout << "image[" << i << "] per-view error: " << err << std::endl; }

这里的err是 L2 范数除以角点总数，得到的是平均欧氏距离偏差，单位像素。如果某张图的误差超过其他图的 3 倍以上，直接剔除后重新标定，通常 RMS 能再降一个档次。

6.2 直线校验法：在真实场景里判断校正是否打直

算法指标再漂亮，不如拿一张真实场景图看直线直不直。找一面贴了瓷砖的墙或笔直的门框，拍照后走一遍校正流程，然后拉一条直线对比边缘。量化做法是用 Canny 提取边缘，再用HoughLinesP找长线段，计算线段各点到拟合直线的最大偏移量。偏移量小于 2 个像素就说明校正到位，大于 5 个像素基本可以认定畸变系数不准或者用的是旧分辨率参数。

这个验证对鱼眼镜头和广角镜头尤其重要，因为这类镜头的径向畸变在画面边缘最严重，中心区域即使参数错一点也看不出来。

6.3 鱼眼镜头该换模型了：什么时候切换到 cv::fisheye 标定流程

普通针孔模型的畸变多项式对视角超过 100° 的超广角镜头拟合能力有限，重投影误差很难压到 0.5 像素以下。如果标定图像里棋盘格在画面边缘时明显成弧形，说明径向畸变已经超出多项式模型的表达能力。这时要换cv::fisheye::calibrate和cv::fisheye::initUndistortRectifyMap。鱼眼模型只需要 4 个畸变系数 k1、k2、k3、k4，但对大畸变的拟合效果比标准模型好得多。判断标准很朴素：标准模型 RMS 压不进 0.5 像素，且畸变明显是径向主导时，直接切到 fisheye 流程，不要再跟标准模型较劲。

我做标定有个习惯：每次标定完把原始标定图像、棋盘格尺寸、内参 XML、逐图误差，按日期归档成独立文件夹，文件名里带上相机型号。因为同一颗镜头在不同焦距下内参完全不同，没有归档习惯的人三个月后回来看旧参数，根本想不起来这是哪颗镜头、哪个分辨率下标的，只能重新拍一遍。下次你把相机架好、棋盘格举起来的时候，会感谢这个习惯的。希望帮到你。

本文还有配套的精品资源，点击获取