如何利用OpenCV标定的相机参数计算图像中两圆形的真实世界距离

前提：你已完成标定拿到内参矩阵camera_matrix、畸变系数dist_coeffs、外参（旋转矩阵R、平移向量t）、圆形亚像素坐标，默认测量目标处于同一平面（绝大多数平面测量场景适用，若为空间点需额外补充深度约束）

操作步骤 #

• 第一步：对像素坐标做畸变校正
  调用OpenCV的cv2.undistortPoints()直接完成畸变校正，输出校正后的归一化图像平面坐标，示例代码片段：

  import cv2
  import numpy as np
  # 输入像素坐标，shape为(N,1,2)，N是点的数量
  pixel_points = np.array([[[x1,y1]], [[x2,y2]]], dtype=np.float32)
  # 畸变校正，得到归一化坐标
  undist_norm_points = cv2.undistortPoints(pixel_points, camera_matrix, dist_coeffs, None, camera_matrix)
  

• 第二步：结合外参求解世界坐标
  单目反投影得到的是一条射线，需补充平面约束，这里以最常用的世界坐标系Z=0平面为例（如标定板平面、工件放置平面均可对齐到该平面）：
  推导逻辑：相机坐标系坐标 [Xc, Yc, Zc]^T = Zc * [u_norm, v_norm, 1]^T，其中u_norm、v_norm是校正后的归一化坐标；世界坐标转相机坐标公式为[Xc, Yc, Zc]^T = R @ [Xw, Yw, 0]^T + t，联立消去Zc即可解出对应点的世界坐标[Xw, Yw, 0]，也可通过构造单应矩阵直接求解：

  # 构造投影矩阵
  Rt = np.hstack((R, t))
  P = camera_matrix @ Rt
  # 取投影矩阵的第1、2、4列构造单应矩阵H（适配Z=0约束）
  H = np.column_stack((P[:,0], P[:,1], P[:,3]))
  H_inv = np.linalg.inv(H)
  # 逐点计算世界坐标
  world_points = []
  for p in undist_norm_points:
      u, v = p[0]
      p_hom = np.array([u, v, 1])
      w_hom = H_inv @ p_hom
      w_hom /= w_hom[2]
      world_points.append([w_hom[0], w_hom[1], 0])
  world_points = np.array(world_points)
  

• 第三步：计算两点真实距离
  拿到两个圆形的世界坐标后，直接计算欧氏距离即可，单位和你标定时候用的世界坐标单位一致（比如标定用毫米做单位，输出距离单位就是毫米）：

  distance = np.linalg.norm(world_points[0] - world_points[1])
  

精度优化注意点 #

• 圆形像素坐标建议使用亚像素检测结果，可调用cv2.cornerSubPix()对圆形中心做亚像素优化，降低检测误差
• 如果你的测量平面不是Z=0平面，只需要把对应平面方程代入第二步的联立公式即可求解
• 外参建议用当前测量场景的实时外参，不要用标定时候的旧外参，避免相机移位带来的误差

内容的提问来源于stack exchange，提问作者mash