【opencv】显微镜/投影仪 圆阵列标定板标定

经过以上步骤，可以得到视场中的16个圆心，但是其顺序是乱的，需要按照一定的顺序进行排序，由于连通域检测时，16个圆轮廓在vector中是连续存储的并且是以Y坐标从大到小排的（如果不是这样，也可以通过算法后面的结果），先拿到2个边上的圆心坐标，计算两点线段的斜率，寻找下一个点的原则是，下一个点与上一个点线段的斜率（角度）与上一个点与上上一个点的线段斜率（角度）夹角要最小，距离要最短。但两者不能同时兼顾到，因此根据标定板圆的排列分为了2种情况，下一个点不在同一行和在同一行的两种情况，在同一行时，则主要兼顾距离最短，不在同一行时，则主要兼顾夹角最小。

bool findMicroCircle(Mat image, Size board_size, vector &corners)
{Mat imageGray;cvtColor(image, imageGray , CV_RGB2GRAY);Mat imageThreshold;threshold(imageGray, imageThreshold, 128, 255, CV_THRESH_BINARY);//提取轮廓  vector>contours; vector corners_temp;int count = 0;findContours(imageThreshold, contours, CV_RETR_CCOMP, CV_CHAIN_APPROX_NONE); for (int i = 0; i < contours.size(); i++){if (contours[i].size() > 200){Point2f center;float radius;//drawContours(image, contours, i, Scalar(0,0,255), 2); minEnclosingCircle(contours[i], center, radius);float e = ComputeVariance(contours[i], center);//方差if (e < 50){count++;corners_temp.push_back(center);}}}//drawContours(image, contours, -1, Scalar(0,0,255), 2); if (count == board_size.height * board_size.width){int index;//下标记录float k1,k2;//斜率float angle1,angle2,angle,anglemin,dis,dismin;//前后斜率夹角corners.push_back(corners_temp[0]);//0，1号点压入，供计算初始斜率corners.push_back(corners_temp[1]);//k1 = (corners[0].y - corners[1].y) / (corners[0].x - corners[1].x);//初始斜率for (int j = 2; j < count; j++){bool samelineFlag = true;anglemin = 90;//最小角度差dismin = 9999999;//两点最小距离k1 = (corners[j-1].y - corners[j-2].y) / (corners[j-1].x - corners[j-2].x);//初始斜率angle1 = atan(k1) * 180 / CV_PI;for (int i = 2; i < corners_temp.size(); i++){if (corners_temp[i].x - corners[j-1].x == 0)//斜率为0{k2 = 0;}else{k2 = (corners_temp[i].y - corners[j-1].y) / (corners_temp[i].x - corners[j-1].x);//后续斜率}angle2 = atan(k2) * 180 / CV_PI;angle = abs(angle1 - angle2);dis = sqrt((corners_temp[i].y - corners[j-1].y) * (corners_temp[i].y - corners[j-1].y) + (corners_temp[i].x - corners[j-1].x) * (corners_temp[i].x - corners[j-1].x));int sameline = (atan(1.0 / (board_size.height-1)) * 180 / CV_PI) + 5;if (angle < sameline)//如果计算的角度差小于最小角度值与同一条直线判断阈值的和，则更新下标{if (angle < sameline/4 && dis < dismin && j % board_size.width != 0 && (j-1) % board_size.width != 0)//同一条直线上，角度差不超过5度认为是同一条直线上，此时应该比较距离{dismin = dis;index = i;}if (angle < anglemin && j % board_size.width == 0)//换行，只找角度差最小的{anglemin = angle;index = i;}if (dis < dismin && (j-1) % board_size.width == 0)//换行后第一次，只找角度差最小的{dismin = dis;index = i;}}}corners.push_back(corners_temp[index]);circle(image, corners_temp[index], 15, Scalar(0,255,0), 3, 8, 0);circle(image, corners_temp[0], 15, Scalar(0,0,255), -1, 8, 0);circle(image, corners_temp[1], 15, Scalar(0,0,255), -1, 8, 0);std::vector::iterator it = corners_temp.begin() + index;corners_temp.erase(it);}return true;}else{return false;}   
}

其实从哪个点提取无所谓，但是要保证一个原则就是一行一行按顺序排列点即可。

标定与校正结果如下：

第1幅图像的平均误差：0.80577像素
第2幅图像的平均误差：0.701184像素
第3幅图像的平均误差：0.70272像素
第4幅图像的平均误差：0.547063像素
第5幅图像的平均误差：1.09536像素
第6幅图像的平均误差：0.76506像素
第7幅图像的平均误差：0.667793像素
第8幅图像的平均误差：0.822369像素
第9幅图像的平均误差：0.877443像素
第10幅图像的平均误差：0.856679像素
第11幅图像的平均误差：0.681006像素
总体平均误差：0.774767像素相机内参数矩阵：
[39251.0769115962, 0, 932.5315829671392;0, 41185.50490132452, 694.5148137172613;0, 0, 1]
畸变系数：
[-24.56078184561823, -13.9232076080276, 0.004546530516996267, 0.005352287915247098, -0.007488930052855393]
第1幅图像的旋转向量：
[-2.400648046930939;2.39789006446686;-0.5030773963661545]
第1幅图像的旋转矩阵：
[0.0007116874091214198, -0.9999975463682025, 0.002097798514260035;-0.9165202388330997, -0.001491368632978607, -0.3999855342745764;0.3999876814482535, -0.001638010126739448, -0.9165190514181771]
第1幅图像的平移向量：
[1.740430650160699;1.980388421080897;213.9421545468698]
第2幅图像的旋转向量：
[2.026069655685576;-1.95425564704494;0.4404653877035846]
第2幅图像的旋转矩阵：
[0.03229009767692703, -0.9993252200120062, 0.01750583445509979;-0.91021254996335, -0.03663704040549276, -0.4125176858748505;0.4128806891599921, -0.002613793848253693, -0.9107813703631013]
第2幅图像的平移向量：
[1.434303442340692;1.933775134314402;215.7635414434346]
第3幅图像的旋转向量：
[-2.506973189718734;2.266959042094225;-0.5296331774750954]
第3幅图像的旋转矩阵：
[0.09190965608196688, -0.9949790263151063, 0.03961505158317322;-0.9095342846029065, -0.1000781939290523, -0.4034002233908377;0.4053393642995623, 0.00104512819403188, -0.9141656892797304]
第3幅图像的平移向量：
[2.115457782230888;2.63554510808202;214.3826147104438]
第4幅图像的旋转向量：
[2.091249202153444;-1.904469058116255;0.4192461330508303]
第4幅图像的旋转矩阵：
[0.08818120869555068, -0.9957969531149588, 0.02474878986851795;-0.9141364173315228, -0.09076976925361158, -0.3951144891014927;0.3957002463245116, 0.01221790311839707, -0.9182984470759549]
第4幅图像的平移向量：
[1.229216205018381;2.958858389701409;215.2865289017586]
第5幅图像的旋转向量：
[2.052248883184534;-1.782921024377806;0.516852253248877]
第5幅图像的旋转矩阵：
[0.1311653007292452, -0.9908488716301933, 0.03184615320222786;-0.8542562667193232, -0.129267016908198, -0.5035238515804592;0.5030326974018403, 0.03884008147299184, -0.8633942051089989]
第5幅图像的平移向量：
[1.211696914955099;1.858255483709739;215.9341707929622]
第6幅图像的旋转向量：
[2.096455574273039;-1.930547560805298;0.301475989544044]
第6幅图像的旋转矩阵：
[0.08784392817508158, -0.9956067885038483, -0.03241245081484015;-0.9383224556449042, -0.07177843894483371, -0.3382289534252786;0.334416526976894, 0.06012469033347367, -0.9405055066808574]
第6幅图像的平移向量：
[2.702045961192787;1.77720171122464;220.6739208255806]
第7幅图像的旋转向量：
[-2.249647067123821;1.790500361198483;0.4486109104045156]
第7幅图像的旋转矩阵：
[0.2060376646047496, -0.9740240671687818, -0.09394465040759759;-0.90325267668592, -0.2262354126433894, 0.3646260277678985;-0.3764081333126875, 0.00972906172558119, -0.926402861898644]
第7幅图像的平移向量：
[1.36362867973697;2.669282558564297;225.9698060155932]
第8幅图像的旋转向量：
[-2.15307960749997;2.011120796187208;0.09171998559648421]
第8幅图像的旋转矩阵：
[0.07581061381791343, -0.9933676827270825, 0.08644881575809901;-0.9813750892821667, -0.05898515769153534, 0.1828214574619851;-0.1765097305220621, -0.09869852119222058, -0.9793379993370511]
第8幅图像的平移向量：
[2.760921681914984;1.602440113356596;222.0324924843436]
第9幅图像的旋转向量：
[-2.441623710430115;1.442733098603825;0.01861088167794312]
第9幅图像的旋转矩阵：
[0.4943342731749869, -0.8575998295617726, 0.1419723871045915;-0.8536522578609274, -0.4481113765116447, 0.2654694274107283;-0.1640470938892193, -0.2524256852550024, -0.9536088424558804]
第9幅图像的平移向量：
[1.56167374380016;2.69886532502509;222.8328423002089]
第10幅图像的旋转向量：
[-0.3020672487178615;-0.3177006009417958;-1.748049962240801]
第10幅图像的旋转矩阵：
[-0.1947892568904155, 0.9804375716976252, 0.02827213122040473;-0.9077898948900995, -0.1911219165559888, 0.373349594545632;0.3714493937745785, 0.04705933505299129, 0.9272598162591047]
第10幅图像的平移向量：
[-0.3428851599804441;2.695720889270264;218.1581049286656]
第11幅图像的旋转向量：
[-2.501831188933102;1.332345638343028;0.3106030443469637]
第11幅图像的旋转矩阵：
[0.5492422450311522, -0.8339504535735243, -0.05347520226845928;-0.771624664883495, -0.5306805918268061, 0.3506757562218761;-0.3208244579463564, -0.1513431545953232, -0.934968938917525]
第11幅图像的平移向量：
[0.2722978014067166;2.75998728572356;218.6845829362973]

以下代码从标定图文件夹下读取标定图，进行定标，校正待标定图文件夹下的所有图片，并把校正结果保存到校正图文件夹下

//opencv2.4.9 vs2012
#include 
#include 
#include using namespace std;
using namespace cv;//根据轮廓点和圆心计算方差
float ComputeVariance(std::vector theContour, Point2f theCenter)
{int a[65535],n;float aver,s;float sum=0,e=0;n = theContour.size();for(int i=0;i &corners)
{Mat imageGray;cvtColor(image, imageGray , CV_RGB2GRAY);Mat imageThreshold;threshold(imageGray, imageThreshold, 128, 255, CV_THRESH_BINARY);//提取轮廓  vector>contours; vector corners_temp;int count = 0;findContours(imageThreshold, contours, CV_RETR_CCOMP, CV_CHAIN_APPROX_NONE); for (int i = 0; i < contours.size(); i++){if (contours[i].size() > 200){Point2f center;float radius;//drawContours(image, contours, i, Scalar(0,0,255), 2); minEnclosingCircle(contours[i], center, radius);float e = ComputeVariance(contours[i], center);//方差if (e < 50){count++;corners_temp.push_back(center);}}}//drawContours(image, contours, -1, Scalar(0,0,255), 2); if (count == board_size.height * board_size.width){int index;//下标记录float k1,k2;//斜率float angle1,angle2,angle,anglemin,dis,dismin;//前后斜率夹角corners.push_back(corners_temp[0]);//0，1号点压入，供计算初始斜率corners.push_back(corners_temp[1]);//k1 = (corners[0].y - corners[1].y) / (corners[0].x - corners[1].x);//初始斜率for (int j = 2; j < count; j++){bool samelineFlag = true;anglemin = 90;//最小角度差dismin = 9999999;//两点最小距离k1 = (corners[j-1].y - corners[j-2].y) / (corners[j-1].x - corners[j-2].x);//初始斜率angle1 = atan(k1) * 180 / CV_PI;for (int i = 2; i < corners_temp.size(); i++){if (corners_temp[i].x - corners[j-1].x == 0)//斜率为0{k2 = 0;}else{k2 = (corners_temp[i].y - corners[j-1].y) / (corners_temp[i].x - corners[j-1].x);//后续斜率}angle2 = atan(k2) * 180 / CV_PI;angle = abs(angle1 - angle2);dis = sqrt((corners_temp[i].y - corners[j-1].y) * (corners_temp[i].y - corners[j-1].y) + (corners_temp[i].x - corners[j-1].x) * (corners_temp[i].x - corners[j-1].x));int sameline = (atan(1.0 / (board_size.height-1)) * 180 / CV_PI) + 5;if (angle < sameline)//如果计算的角度差小于最小角度值与同一条直线判断阈值的和，则更新下标{if (angle < sameline/4 && dis < dismin && j % board_size.width != 0 && (j-1) % board_size.width != 0)//同一条直线上，角度差不超过5度认为是同一条直线上，此时应该比较距离{dismin = dis;index = i;}if (angle < anglemin && j % board_size.width == 0)//换行，只找角度差最小的{anglemin = angle;index = i;}if (dis < dismin && (j-1) % board_size.width == 0)//换行后第一次，只找角度差最小的{dismin = dis;index = i;}}}corners.push_back(corners_temp[index]);//circle(image, corners_temp[index], 15, Scalar(0,255,0), 3, 8, 0);//circle(image, corners_temp[0], 15, Scalar(0,0,255), -1, 8, 0);//circle(image, corners_temp[1], 15, Scalar(0,0,255), -1, 8, 0);std::vector::iterator it = corners_temp.begin() + index;corners_temp.erase(it);}return true;}else{return false;}   
}int main()
{_mkdir("校正图");double time0 = static_cast(getTickCount());ofstream fout("caliberation_result.txt");  /**    保存定标结果的文件     **//************************************************************************  读取每一幅图像，从中提取出角点，然后对角点进行亚像素精确化  *************************************************************************/   cout<<"开始提取角点………………"< corners;                  /****    缓存每幅图像上检测到的角点       ****/vector>  corners_Seq;    /****  保存检测到的所有角点       ****/   vector  image_Seq;int count = 0;for( int i = 0;  i < image_count ; i++){cout<<"标定图【"<< i+1 <<"】..."<>imageFileName;imageFileName += ".bmp";Mat image = imread("标定图/" + imageFileName);//引号中可加统一文件名前缀 image_size = image.size();//image_size = Size(image.cols , image.rows);/* 提取角点 */   Mat imageGray;cvtColor(image, imageGray , CV_RGB2GRAY);//棋盘格方式//bool patternfound = findChessboardCorners(image, board_size, corners,CALIB_CB_ADAPTIVE_THRESH + CALIB_CB_NORMALIZE_IMAGE+ //    CALIB_CB_FAST_CHECK );//圆阵列方式//bool patternfound = findCirclesGrid(image, board_size, corners); //圆阵列非对称方式//bool patternfound = findCirclesGrid(image, board_size, corners, CALIB_CB_ASYMMETRIC_GRID ); //自定义显微镜下圆阵列方式bool patternfound = findMicroCircle(image, board_size, corners); if (!patternfound)   {   cout<<"can not find chessboard corners!\n";  continue;exit(1);   } else{   /* 亚像素精确化 如果是自定义显微镜下圆阵列方式则需要注释*///cornerSubPix(imageGray, corners, Size(11, 11), Size(-1, -1), TermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 30, 0.1));/* 绘制检测到的角点并保存 */Mat imageTemp = image.clone();for (int j = 0; j < corners.size(); j++){if (j + 1 < corners.size()){line(imageTemp, corners[j], corners[j + 1], Scalar(0,255,0), 2, 8, 0);}              circle( imageTemp, corners[j], 10, Scalar(0,0,255), -1, 8, 0);}string imageFileName;std::stringstream StrStm;StrStm<>imageFileName;imageFileName += "_corner.jpg";imwrite(imageFileName, imageTemp);cout<<"标定图【"<>  object_Points;                                      /****  保存定标板上角点的三维坐标   ****/Mat image_points = Mat(1, count , CV_32FC2, Scalar::all(0));          /*****   保存提取的所有角点   *****/   vector  point_counts;                                          /*****    每幅图像中角点的数量    ****/   Mat intrinsic_matrix = Mat(3,3, CV_32FC1, Scalar::all(0));                /*****    摄像机内参数矩阵    ****/   Mat distortion_coeffs = Mat(1,4, CV_32FC1, Scalar::all(0));            /* 摄像机的4个畸变系数：k1,k2,p1,p2 */ vector rotation_vectors;                                      /* 每幅图像的旋转向量 */  vector translation_vectors;                                  /* 每幅图像的平移向量 */  /* 初始化定标板上角点的三维坐标 */     for (int t=0;t tempPointSet;for (int i=0;i  image_points2;             /****   保存重新计算得到的投影点    ****/   cout<<"每幅图像的定标误差："< tempPointSet = object_Points[i];/****    通过得到的摄像机内外参数，对空间的三维点进行重新投影计算，得到新的投影点     ****/projectPoints(tempPointSet, rotation_vectors[i], translation_vectors[i], intrinsic_matrix, distortion_coeffs, image_points2);/* 计算新的投影点和旧的投影点之间的误差*/  vector tempImagePoint = corners_Seq[i];Mat tempImagePointMat = Mat(1,tempImagePoint.size(),CV_32FC2);Mat image_points2Mat = Mat(1,image_points2.size(), CV_32FC2);for (size_t i = 0 ; i != tempImagePoint.size(); i++){image_points2Mat.at(0,i) = Vec2f(image_points2[i].x, image_points2[i].y);tempImagePointMat.at(0,i) = Vec2f(tempImagePoint[i].x, tempImagePoint[i].y);}err = norm(image_points2Mat, tempImagePointMat, NORM_L2);total_err += err/=  point_counts[i];   cout<<"第"<>imageFileName;imageFileName += "_d.jpg";imwrite(imageFileName,t);}cout<<"保存结束"<(getTickCount());int image_count = 47; /****    待校正图像数量     ****/   for( int i = 0;  i < image_count ; i++){cout<<"待校正图【"<< i+1 <<"】..."<>imageFileName;imageFileName += ".bmp";Mat image = imread("待校正图/" + imageFileName);//引号中可加统一文件名前缀 image_size = image.size();cout<<"待校正图【"<< i+1 <<"】校正完毕"<

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！