learning opencv開篇便談視覺病態(tài)畸變的問題，我們?nèi)祟愂澜绲倪M(jìn)步和度量衡有莫大的關(guān)系，而工業(yè)自動(dòng)化以及人工智能（AI）的度量衡又是什么呢？那就是標(biāo)定，其意義是非凡的，也可以說是偉大的，人工智能對(duì)度量衡要求低的很，而識(shí)別是重頭戲，但是沒有度量衡的工業(yè)自動(dòng)化，那是不可想象的，這就是標(biāo)定，沒有標(biāo)定度量，一切都是扯淡（蛋？），更就談不上準(zhǔn)確度了。可以這樣毫不遜色的說，標(biāo)定是工業(yè)自動(dòng)化技術(shù)應(yīng)用的基礎(chǔ)。你想一想，在年輕的AI面前，自動(dòng)化已經(jīng)走了很久了。但是AI給自動(dòng)化識(shí)別也帶來了強(qiáng)勁的動(dòng)力，自動(dòng)化的識(shí)別逐漸在向AI識(shí)別演變。

? ? ? ? 舉一個(gè)和標(biāo)定相關(guān)的例子，有很多人用過激光打字（標(biāo)）在銘牌上，一般人都不會(huì)感到標(biāo)定的存在，原因是，這樣的工作對(duì)精度要求不高，我搞過一段時(shí)間自動(dòng)化控制激光應(yīng)用，正是這樣的經(jīng)歷更加確認(rèn)了我對(duì)標(biāo)定的熱情，研究是這樣的，在偏離激光鏡頭中心一定距離的地方，有一個(gè)九宮格，里邊有九個(gè)圓，你讓激光去填充這九個(gè)圓，你會(huì)發(fā)現(xiàn)，越遠(yuǎn)偏差越大，每列都不一樣，當(dāng)你給每列嘗試補(bǔ)償一個(gè)固定偏差，漸漸這個(gè)值穩(wěn)定后，激光填充的圓也就飽滿了，想說明什么呢？當(dāng)你把整個(gè)鏡頭（場(chǎng)鏡頭）下整個(gè)能打標(biāo)填充的區(qū)域的固定偏差都做出來，那么你想要的激光打標(biāo)準(zhǔn)確度全都有了，這是我最初發(fā)現(xiàn)標(biāo)定最笨的方法，但是他解決了激光鏡頭給精度帶來的偏差，我也發(fā)現(xiàn)了標(biāo)定原來是這么一回事。搞激光的，通常使用矯正鏡頭（標(biāo)定）的方法是，平面上放上一張白紙，讓激光去打一個(gè)矩形，剛開始肯定是桶狀的，很像電視機(jī)的桶狀失真，然后你去調(diào)整激光的參數(shù)，直至打標(biāo)一個(gè)ok的矩形，那么在矩形區(qū)域內(nèi)，你打標(biāo)，至少是線性的。（下圖為九宮格測(cè)試激光畸變）

? ? ? ? 用習(xí)慣了機(jī)器視覺的標(biāo)定，你會(huì)很驚詫激光的標(biāo)定，世間變化真神奇，變個(gè)樣，就不認(rèn)識(shí)了，這能叫學(xué)會(huì)了嗎？當(dāng)你要求更高精度的標(biāo)定時(shí)，你就會(huì)用機(jī)器視覺的相機(jī)標(biāo)定去要求激光，標(biāo)定到底是什么？實(shí)質(zhì)就是校正失真的鏡頭，相機(jī)的，激光的，那么有沒有比剛才標(biāo)定激光好一些的方法，有，這就是泰勒級(jí)數(shù)（多項(xiàng)式逼近）上場(chǎng)的時(shí)候了。

? ? ? 因?yàn)殓R頭基本都是中心對(duì)稱的，參考learning opencv的標(biāo)定，泰勒級(jí)數(shù)f（r）=a0+a1*r+a2*r*r+...,r以鏡頭中心為圓的半徑，f（0）=0，所以a0=0；因?yàn)閒（-r）=f（r），所以f（r）實(shí)質(zhì)等于a2*r^2+a4*r^4+...,也就是說，泰勒級(jí)數(shù)的偶數(shù)項(xiàng)有意義，,?以上泰勒級(jí)數(shù)描述的鏡頭畸變被定義為徑向畸變（可不可以這樣理解？過圓心（鏡頭中心）的直徑上的畸變），我們的標(biāo)定也只談徑向畸變，起拋磚引玉的作用。所以learning opencv給出這樣的計(jì)算公式：xc=x*（1+k1*r^2+k2*r^2*r^2+...）,k1和k2為徑向畸變參數(shù)。而我令z=（1+k1*r^2+k2*r^2*r^2+...）,在xc和x已知情況下z=xc/x（z顯然是大于1的，故桶形畸變中xc是亞像素角點(diǎn)，即畸變點(diǎn)，x為標(biāo)準(zhǔn)點(diǎn)，參考點(diǎn)）,程序中我只求z，不求k1,k2.

以下是C#代碼，我們這里直接使用hariss亞像素角點(diǎn)提供的結(jié)果，這個(gè)已講過，此處不再重復(fù)，另外這里使用黑白棋盤格標(biāo)定片。（棋盤格見下圖）

? ? ? ? ? ? int cx = 1024 / 2; int cy = 768 / 2;//此處舉例為1024*768相機(jī)，即80萬像素。
? ? ? ? ? ? double A = 0; double B = 0; double C = 0; double D = 0;
? ? ? ? ? ? List<Point> correct=new List<Point>();
? ? ? ? ? ? correct.Add(new Point(15,11));//以下只示范了左上角16個(gè)亞像素角點(diǎn)來求徑向畸變參數(shù)
? ? ? ? ? ? ?correct.Add(new Point(75,11));//
? ? ? ? ? ? ?correct.Add(new Point(135,11));//
? ? ? ? ? ? ?correct.Add(new Point(195,11));//
? ? ? ? ? ? ?correct.Add(new Point(15,71));//? ? ? ? ?15? 75? 135? 195
? ? ? ? ? ? ?correct.Add(new Point(75,71));//? ? 11? 一? 二? ?三? ? ?四
? ? ? ? ? ? ?correct.Add(new Point(135,71));//? 71? 五? ?六? 七? ? ?八
? ? ? ? ? ? ?correct.Add(new Point(195,71));//130? 九? ?十? ?11? ?12
? ? ? ? ? ? ?correct.Add(new Point(15,130));//189? 十3? 14? 15? ?16
? ? ? ? ? ? ?correct.Add(new Point(75,130));
? ? ? ? ? ? ?correct.Add(new Point(135,130));
? ? ? ? ? ? ?correct.Add(new Point(195,130));
? ? ? ? ? ? ?correct.Add(new Point(15,189));
? ? ? ? ? ? ?correct.Add(new Point(75,189));
? ? ? ? ? ? ?correct.Add(new Point(135,189));
? ? ? ? ? ? ?correct.Add(new Point(195,189));
? ? ? ? ? ? ?for (int m = 0; m < jibianyong1.Count; m++)// jibianyong1.Count=16
? ? ? ? ? ? ?{//correct為x//jibianyong1為亞像素角點(diǎn)為xc
? ? ? ? ? ? ? ? ?A += (jibianyong1[m].X - cx) * (correct[m].X - cx);
? ? ? ? ? ? ? ? ?B += (correct[m].X - cx) * (correct[m].X - cx);
? ? ? ? ? ? ? ? ?C += (jibianyong1[m].Y - cy) * (correct[m].Y - cy);
? ? ? ? ? ? ? ? ?D += (correct[m].Y - cy) * (correct[m].Y - cy);
? ? ? ? ? ? ?}
? ? ? ? ? ? double 徑向參數(shù) = A / B;//xc*x/(x*x)如此處理，不會(huì)出現(xiàn)負(fù)號(hào)
? ? ? ? ? ? double 徑向參數(shù)1 = C/ D;//這里使用了兩次求平均值的方法，改進(jìn)版本用最小二乘法
? ? ? ? ? ? double pingjun = (徑向參數(shù)?+徑向參數(shù)1) / 2;
? ? ? ? ? ? byte[] buffer24 = new byte[1024*768*3];
? ? ? ? ? ? for (int j = 0; j < 768; j++)
? ? ? ? ? ? {
? ? ? ? ? ? ? ? for (int i = 0; i < 1024; i = i + 1)
? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? int xcorrect = 0, ycorrect = 0;
? ? ? ? ? ? ? ? ? ? xcorrect = cx + (int)((i - cx) / pingjun);
? ? ? ? ? ? ? ? ? ? ycorrect = cy + (int)((j - cy) / pingjun);
? ? ? ? ? ? ? ? ? ? //2,再賦值
? ? ? ? ? ? ? ? ? ? buffer24[ycorrect * 1024 * 3 + xcorrect * 3] = rgbValues[j * 1024 * 3 + i * 3];
? ? ? ? ? ? ? ? ? ? buffer24[ycorrect * 1024 * 3 + xcorrect * 3 + 1] = rgbValues[j * 1024 * 3 + i * 3 + 1];
? ? ? ? ? ? ? ? ? ? buffer24[ycorrect * 1024 * 3 + xcorrect * 3 + 2] = rgbValues[j * 1024 * 3 + i * 3 + 2];
? ? ? ? ? ? ? ? }//完成圖像校正
? ? ? ? ? ? }//注釋，如果不說明，所有圖像均以buffer【y*w+x】代替

機(jī)器視覺中，標(biāo)定板一般有兩種，另外一種標(biāo)定板是九宮格上的'十'字交叉全部換成圓（我們給他個(gè)名字吧，就叫象棋標(biāo)定板（以此紀(jì)念青騷年時(shí)對(duì)象棋的熱愛），是否與棋盤格很對(duì)稱？），我們可以使用前面講過的方法來找到圓心，方法一，找斑的方法，方法二，使用找圓工具匹配的方法，有了圓心（相當(dāng)以上亞像素角點(diǎn)），就可以用上面相同的方法求徑向畸變參數(shù)，然后來校正圖像。在工業(yè)上，標(biāo)定通常使用自動(dòng)化方式，手動(dòng)也可以（像激光那樣），但是會(huì)太麻煩。

標(biāo)定一般為工程提供三項(xiàng)便利：1，坐標(biāo)系；2，比例尺；3，圖像校正（鏡頭校正）。提個(gè)問題？我們的眼睛看到的世界是真的？還是畸變的？顯然，眼睛中心看到的是真實(shí)的，而，其他就不可靠。

讓你再一次驚詫機(jī)器視覺標(biāo)定與learning opencv計(jì)算機(jī)視覺標(biāo)定（數(shù)學(xué)設(shè)想推理復(fù)雜度）的巨大差別。你可以看到工業(yè)機(jī)器視覺極大的標(biāo)準(zhǔn)化帶來的便利（基本消除病態(tài)視覺）。什么是工業(yè)機(jī)器視覺極大的標(biāo)準(zhǔn)化？有必要解釋一下：只要你做過機(jī)器視覺項(xiàng)目，你會(huì)發(fā)現(xiàn)，標(biāo)定幾乎可以忽略，但并不是說沒有標(biāo)定，只是你沒發(fā)覺，他在你所有的硬件選型中已經(jīng)被消化掉了，一般我們選的鏡頭，幾乎工作在無畸變狀態(tài)，在這里你就可以看到別人制定工業(yè)機(jī)器視覺標(biāo)準(zhǔn)的用苦良心，不是隨便一個(gè)相機(jī)鏡頭就可以在工業(yè)上用，這里邊的心血以價(jià)格的溢出而體現(xiàn)，這也是用苦良心的回報(bào)。這也是機(jī)器視覺大面積應(yīng)用的基礎(chǔ)，計(jì)算機(jī)視覺以learning opencv的方式展現(xiàn)，看是美好的未來AI世界，卻是舉步維艱，當(dāng)你習(xí)慣了機(jī)器視覺的簡(jiǎn)單，要改變，必須挖掘這種簡(jiǎn)單習(xí)慣（簡(jiǎn)單，只是有人負(fù)重前行，消除了復(fù)雜度，簡(jiǎn)單沒那么簡(jiǎn)單，當(dāng)你負(fù)重前行的時(shí)候）。所有的隱形，并非能掩蓋標(biāo)定度量衡的偉大意義。

待續(xù)（慢慢來！...........）每天一點(diǎn)小改變?

我的郵箱liuganggang_1978@163.com;734523623@qq.com

總結(jié)

以上是生活随笔為你收集整理的机器视觉标定（calibration）关键尝试（标定的重要意义度量衡）（A）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。