相机校准时cv2.cornerSubPix()的收益显著性及省略该函数的精度影响分析

我来针对你的相机校准疑问做个清晰的解答——毕竟这个细节在很多校准场景里都容易被忽略，但对结果的影响其实不小。

首先得明确cv2.cornerSubPix()到底在做什么：当你用cv2.findChessboardCorners()找到棋盘格角点时，得到的是整数像素级的粗略坐标，但真实的棋盘格角点位置往往是亚像素级的（比如在第100.3、200.7像素的位置）。cv2.cornerSubPix()会利用角点周围的灰度梯度信息，精确计算出这个亚像素坐标，让角点位置的误差降到最小。

1. 省略它会导致精度损失吗？ #

答案是肯定的。相机校准的核心是通过大量精确的「图像点-世界点」对来求解内参和畸变参数，角点坐标的误差会直接传递到最终的校准结果里。整数像素的角点和真实亚像素位置的偏差，会让相机矩阵（尤其是焦距、主点位置）和畸变参数的准确性打折扣。

2. 精度损失的程度有多显著？ #

这个没有固定的数值，得看你的具体场景：

• 图像分辨率：如果是4K以上的高分辨率图像，整数像素偏差占总像素的比例小，损失可能不太明显；但如果是低分辨率图像（比如720p以下），亚像素偏差的影响会被放大，校准误差会更突出。
• 棋盘格与拍摄条件：如果棋盘格格子大、拍摄距离近，角点在图像中占的像素多，亚像素优化的收益会非常明显；反之，小格子+远距离拍摄，角点本身像素少，损失稍小，但依然存在。
• 校准图像数量：哪怕你拍了几十张校准图，大量数据能平均掉一部分偏差，但依然不如亚像素精确的角点结果稳定，尤其是边缘区域的畸变校正效果。
• 镜头畸变程度：如果是广角鱼眼镜头这种畸变严重的设备，角点坐标的微小偏差会导致畸变参数求解的误差被放大，此时省略亚像素优化的影响会特别明显。

举个实际场景的例子：用1080p图像校准普通手机镜头，省略cv2.cornerSubPix()后，焦距可能会有几个像素的误差，主点位置也会偏移，去畸变后的图像四角可能还残留轻微扭曲；如果是工业相机的高精度测量场景，这种误差直接会影响测量结果的准确性，完全不能接受。

3. 关于你提到的额外变量 #

你说的图像反转（gray = cv.bitwise_not(gray)）其实不影响校准逻辑——对比度反转后，棋盘格的灰度梯度依然存在，角点检测和亚像素优化都能正常工作，这点不用顾虑。而cv2.CALIB_RATIONAL_MODEL是更复杂的畸变模型，它需要更精确的角点坐标来拟合，所以省略亚像素优化时，这个模型的精度损失会比简单径向畸变模型更严重，这也是你看到不同去畸变结果的原因之一。

总结 #

如果只是普通摄影的简单去畸变，省略cv2.cornerSubPix()可能勉强能用，但结果会有误差；但如果是机器视觉测量、AR定位这类高精度需求的场景，强烈建议不要省这一步——它实现成本极低，只需要在cv2.findChessboardCorners()后加几行代码，却能大幅提升校准参数的准确性。

内容的提问来源于stack exchange，提问作者vwertuzy