使用OpenCV完成单目相机矫正

本文详细介绍了一个基于OpenCV的相机矫正过程,包括棋盘格角点检测、亚像素精确化、相机标定、畸变校正及显示矫正图像的完整流程。通过实际代码演示了如何进行相机内参矩阵和畸变系数的计算,并展示了标定结果的评估方法。

相机矫正与显示

1、注意事项;
2、Code;
3、效果;
4、参考;

说明

1、相机标定的棋盘格宽高要对应,棋盘格角点识别只寻找内角点(自带例程里是w*h = 6 * 9);
2、注意棋盘格默认坐标系在左上角,drawChessboardCorners()会默认将x方向绘制为红色;
在这里插入图片描述
3、findChessboardCorners()之后必须进行粗角点提取(调用find4QuadCornerSubpix()函数),不然数据有问题;
4、棋盘格空间坐标系表示方法:(0,0,0) 、(50,0,0)、(100,0,0) 、…(0,50,0)、(50,50,0)…;这里使用OpenCV自带的棋盘格图像,棋盘格大小50mm;
5、通过重新计算空间点投影坐标(projectPoints())与计算矩阵范数来衡量相机标定的结果;
6、旋转向量需要调用Rodrigues(tvecsMat[i], rotation_matrix);转换为旋转矩阵;
在这里插入图片描述
7、畸变矩阵:(k1,k2,p1,p2,k3)(径向畸变,切向畸变);相机内参矩阵:相机内参矩阵总是以像素为单位表示的

在这里插入图片描述
在这里插入图片描述

Code

#include <opencv2/opencv.hpp>
#include <iostream>
#include <fstream>

using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
   
   
	ifstream fin("calibdata.txt");   /*标定用图像文件路径*/
	ofstream fout("calibresult.txt"); /*保存标定结果的文件*/

	//读取每一幅图像,从中提取角点,然后对角点进行亚像素精确化

	cout << "开始提取角点...";
	int image_count = 0; /*图像数量*/
	Size image_size; /*图像尺寸*/
	Size board_size = Size(6, 9);  //标定板每行列角点数

	vector<Point2f> image_points_buf; /*缓存每幅图像上检测到的角点*/
	vector<vector<Point2f>> image_point_seq;  /*保存所有检测到的角点*/

	string filename;
	while (getline(fin,filename))
	{
   
   
		image_count++;
		// 用于观察检验输出
		cout << "image_count = " << image_count << endl;		
		Mat grayImg = imread(filename,IMREAD_GRAYSCALE);  //读入灰度图
		
		if (image_count == 1)
		{
   
   
			// 读入第一张图片时获取图像的宽高信息
			image_size.width = grayImg.cols;
			image_size.height = grayImg.rows;

			cout << "image_size.width = " << image_size.width << endl;
			cout << "image_size.height = " << image_size.height << endl;
		}
		if (0 == findChessboardCorners(grayImg, board_size, image_points_buf)) /*输入图像必须是8位灰度或彩色图像*/
		{
   
   
			cout << "can not find chessboard corners!\n";  //没有找到全部角点
			exit(1);
		}
		else
		{
   
   
			Mat rgbImg;
			cvtColor(grayImg, rgbImg, CV_GRAY2BGR);
			/*亚像素精确化*/
			find4QuadCornerSubpix(grayImg, image_points_
【Koopman】遍历论、动态模态分解和库普曼算子谱特性的计算研究(Matlab代码实现)内容概要:本文围绕【Koopman】遍历论、动态模态分解和库普曼算子谱特性的计算研究展开,重点介绍基于Matlab的代码实现方法。文章系统阐述了遍历理论的基本概念、动态模态分解(DMD)的数学原理及其与库普曼算子谱特性之间的内在联系,展示了如何通过数值计算手段分析非线性动力系统的演化行为。文中提供了完整的Matlab代码示例,涵盖数据驱动的模态分解、谱分析及可视化过程,帮助读者理解并复现相关算法。同时,文档还列举了多个相关的科研方向和技术应用场景,体现出该方法在复杂系统建模与分析中的广泛适用性。; 适合人群:具备一定动力系统、线性代数与数值分析基础,熟悉Matlab编程,从事控制理论、流体力学、信号处理或数据驱动建模等领域研究的研究生、博士生及科研人员。; 使用场景及目标:①深入理解库普曼算子理论及其在非线性系统分析中的应用;②掌握动态模态分解(DMD)算法的实现与优化;③应用于流体动力学、气候建模、生物系统、电力系统等领域的时空模态提取与预测;④支撑高水平论文复现与科研项目开发。; 阅读建议:建议读者结合Matlab代码逐段调试运行,对照理论推导加深理解;推荐参考文中提及的相关研究方向拓展应用场景;鼓励在实际数据上验证算法性能,并尝试改进与扩展算法功能。
本系统采用微信小程序作为前端交互界面,结合Spring Boot与Vue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性与扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理与数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;前端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试与优化,符合商业应用的标准要求。 系统设计注重业务场景的全面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性与可维护性,遵循企业级开发标准,确保了系统的长期稳定运行与后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值