单图像下相机畸变系数计算及标定可行性技术问询

背景 #

为满足计量需求，需校正固定朝向固定平面的相机畸变，拟通过该平面内的单张标定板图像计算畸变系数（外参已知）。

实验过程：创建标定板图案，定义随机畸变系数dist = np.array([[0.8, -0.4, 0.0, 0.0, 0.0]])与内参相机矩阵mtx = np.array([np.array([10000.0, 0.0, 500.0]), np.array([0.0, 10000.0, 300.0]), np.array([0.0, 0.0, 1.0])])，调用cv2.initInverseRectificationMap与cv2.remap得到畸变图像。

问题1：该图像是否为畸变图像？若initInverseRectificationMap是initUndistortRectifyMap的逆操作，此方法是否正确？ #

• 这是畸变图像：initUndistortRectifyMap的作用是生成将畸变图像转换为无畸变图像的映射，其逆操作initInverseRectificationMap则是生成无畸变图像转畸变图像的映射，通过cv2.remap处理后得到的图像就是模拟出的带畸变效果的图像，这个生成方法是正确的。

问题2：如何从该畸变图像计算畸变系数及内参？尝试OpenCV的calibrateCamera并添加约束后结果偏差大，是否可行？ #

• 直接用calibrateCamera单张图像加约束偏差大是正常现象，单张图像提供的投影约束信息过少，难以稳定求解所有内参和畸变参数。
• 可行的优化方向：
  1. 固定已知外参求解：在标定过程中，将已知的外参（旋转向量rvecs、平移向量tvecs）固定，仅让calibrateCamera优化内参mtx和畸变系数dist，减少待求解参数的数量。
  2. 固定部分已知内参：如果已知相机焦距（如实验中的10000），可以先固定焦距，仅求解主点坐标和畸变系数，进一步降低参数耦合度。
  3. 补充图像提升精度：若要满足计量级精度，单张图像的信息不足以支撑稳定求解，建议增加同平面内不同位姿的标定板图像，即使外参已知，多帧图像也能提供更多约束，提升结果稳定性。

问题3：外参固定已知时，能否通过单张图像完成相机标定？参考张正友《Flexible New Technique for Camera Calibration》论文附录D，其需双平面完成纯平移下的标定。 #

• 仅单张图像+已知外参的情况下，无法完成完整的相机标定：
  • 张正友论文附录D提到纯平移场景下的标定需要双平面，核心原因是单平面单张图像的投影约束不足，即使外参已知，内参（如焦距、主点）与畸变系数之间存在强耦合，无法通过单帧投影关系唯一解算所有参数。
  • 若仅需求解畸变系数，在已知内参和外参的前提下，单张图像理论上有解，但实际受图像噪声、标定板角点检测误差影响，结果稳定性极差，无法满足计量级精度要求。

内容的提问来源于stack exchange，提问作者m1k31