OpenCV单应性变换点坐标不匹配，如何还原350mm正方形真实尺寸？

问题原因 #

单应性矩阵（H）是齐次变换矩阵，它存在一个任意的缩放因子——OpenCV的findHomography会对H做归一化处理，导致变换后的坐标尺度和真实世界尺寸不匹配，这就是你能拉直正方形但尺寸出现偏差的核心原因。

解决步骤 #

要还原真实尺寸，需要用已知的真实边长对H矩阵做尺度校正：

1. 计算带尺度偏差的变换坐标：将图像角点转为齐次坐标，用原始H矩阵计算变换结果后，再转换为非齐次坐标。
2. 推导缩放因子：用真实世界的标准边长（350mm）除以变换后对应边的长度，得到尺度校正系数。
3. 校正H矩阵：将原始H矩阵整体乘以缩放因子，得到能还原真实尺寸的新H矩阵。

具体代码实现 #

import numpy as np
import cv2

n_corners_px = np.array([[88, 102], [1808, 214], [1834, 1872], [109, 1986]], dtype=np.float32)
n_corners_mm = np.array([[0, 350], [350, 350], [350, 0], [0, 0]], dtype=np.float32)

# 计算原始单应性矩阵
H, _ = cv2.findHomography(n_corners_px, n_corners_mm)

# 定义齐次坐标转真实坐标的工具函数
def transform_point(H, pt):
    hom_pt = np.append(pt, 1)
    transformed = np.dot(H, hom_pt)
    return transformed[:2] / transformed[2]

# 计算所有角点变换后的带偏差坐标
transformed_corners = np.array([transform_point(H, pt) for pt in n_corners_px])

# 计算缩放因子：真实边长 / 变换后边长
real_edge_length = np.linalg.norm(n_corners_mm[1] - n_corners_mm[0])
transformed_edge_length = np.linalg.norm(transformed_corners[1] - transformed_corners[0])
scale_factor = real_edge_length / transformed_edge_length

# 校正H矩阵
H_scaled = H * scale_factor

# 验证校正效果
print("校正后[350,350]角点的变换结果：")
print(transform_point(H_scaled, n_corners_px[1]))
print("是否匹配真实坐标：", np.isclose(transform_point(H_scaled, n_corners_px[1]), n_corners_mm[1]).all())

# 用校正后的H做透视变换，得到真实尺寸的图像（1像素对应1mm）
target_size = (350, 350)
# 注意：original_img需替换为你的输入图像变量
warped_img = cv2.warpPerspective(original_img, H_scaled, target_size)

额外说明 #

• 计算边长时优先选正方形的完整边，避免用对角线（减少误差）；
• 校正后的H矩阵可直接用于图像任意点的真实坐标转换，点击图像点后调用transform_point(H_scaled, click_pt)即可得到对应mm坐标。

内容的提问来源于stack exchange，提问作者keuj6