如何将相机采集的畸变正方形坐标转换为厘米单位标准正方形坐标？

你遇到的是平面透视畸变问题，用**单应性变换（Homography）**就能解决——这是专门用来将图像中畸变的平面物体坐标映射到真实世界平面坐标的方法，对应一个3×3的变换矩阵。

核心步骤 #

1. 准备对应点对 #

你需要至少4组对应点：

• 图像中畸变正方形的四个角点像素坐标（按固定顺序，比如左上、右上、右下、左下）
• 真实世界中正方形的对应角点坐标（比如设左上为(0,0)，右上(200,0)，右下(200,200)，左下(0,200)，单位cm）

2. 计算单应变换矩阵 #

用OpenCV的cv2.findHomography()函数，输入两组对应点即可求解出变换矩阵H。

3. 应用变换得到真实坐标 #

用cv2.perspectiveTransform()将图像中的任意(x,y)像素坐标转换成真实世界的(x,y)坐标。

Python代码实现 #

import cv2
import numpy as np

# 1. 定义对应点
# 替换成你实际提取的图像畸变正方形角点像素坐标
img_points = np.array([
    [100, 120],   # 左上
    [800, 130],   # 右上
    [810, 820],   # 右下
    [90, 830]     # 左下
], dtype=np.float32)

# 真实世界200cm×200cm正方形的对应角点
real_points = np.array([
    [0, 0],       # 左上
    [200, 0],     # 右上
    [200, 200],   # 右下
    [0, 200]      # 左下
], dtype=np.float32)

# 2. 计算单应矩阵
homography_matrix, _ = cv2.findHomography(img_points, real_points)

# 3. 转换单个图像坐标到真实坐标
# 示例：要转换的图像像素点，格式为(1,1,2)的三维数组
img_coord = np.array([[[450, 460]]], dtype=np.float32)
real_coord = cv2.perspectiveTransform(img_coord, homography_matrix)

print(f"图像坐标(450,460)对应的真实坐标：{real_coord[0][0]} cm")

# 批量转换多个点的示例
img_coords_batch = np.array([[[100,120], [500,500]]], dtype=np.float32)
real_coords_batch = cv2.perspectiveTransform(img_coords_batch, homography_matrix)
print(f"批量转换结果：{real_coords_batch[0]} cm")

学习方向指引 #

• 基础概念：先了解「透视变换」「单应性矩阵」的定义，重点理解齐次坐标在图像变换中的作用（不用深挖复杂线性代数，搞懂3×3矩阵的坐标映射逻辑即可）。
• 工具文档：查看OpenCV官方文档中findHomography和perspectiveTransform的参数说明，明确函数输入输出的格式要求。
• 进阶优化：如果需要更高精度，可以采集超过4个的对应点，findHomography会自动用鲁棒算法求解最优变换矩阵。

内容的提问来源于stack exchange，提问作者nn123