畸变校正 on undistortion

畸变校正是一种映射,将畸变的像素投影到校正的像素位置上。

计算机视觉中的映射有两种模式,一种是正向投影src->dst,一种是反向投影dst->src。

一般反向投影比较容易,正向投影比较麻烦。这是因为src的位置已知,我们计算出来的dst的位置,可能是浮点数,这时候给dst图像的一个浮点数的位置的像素值赋值,比较麻烦。而反向投影,我们从各个已知的dst的位置出发,去src中寻找对应的像素点,这时候虽然是浮点数,但是我们可以通过插值的方式,确定一个合适的像素值赋值给dst。

畸变校正的问题中,反向投影也是比较容易的,而正向比较难。

先来看看反向投影的做法,顺便看看畸变是如何发生的:



这是从校正后的图像(dst)反向投影到畸变图像(src)的过程。(u, v)是dst上的点,先归一化,然后旋转到畸变相机的世界,一般R是单位矩阵,即不发生旋转。然后公式5和公式6就是畸变的过程,最后乘以相机的内参矩阵,得到畸变之后的点的位置map_x,map_y。运算比较简单。

正向投影的话,我们要知道src上的点在dst上的位置。这一般校正几个特征点的时候会用到。思路就是反向投影的过程从最后一步到第一步。

我们首先将src上的点归一化。然后我们要做公式5和公式6的逆向计算,已知x'', y'',求x', y'。整个正向的过程是这里比较不好做,计算量比较大。

这是一个解二元高次方程的问题。我目前也不会。不过OpenCV的代码里面有解法,大概是说:where undistort() is an approximate iterative algorithm that estimates the normalized original point coordinates out of the normalized distorted point coordinates (“normalized” means that the coordinates do not depend on the camera matrix).http://docs.opencv.org/2.4/modules/imgproc/doc/geometric_transformations.html#undistortpoints

OpenCV代码写的比较复杂,考虑的边界条件很多。不过读起来也不难。在这里:https://github.com/opencv/opencv/blob/0624411875fd69c009ce76311630f5933484f7bf/modules/imgproc/src/undistort.cpp#L297

不过我又找到了更简明的版本,更好理解吧,道理是一样的,而且这个版本应该就是从OpenCV这里挖过来简化的:https://github.com/MRPT/mrpt/blob/master/libs/vision/src/pinhole.cpp#L203

    double x = inPt.x;
    double y = inPt.y;

    double x0 = x = (x - cx) * ifx;
    double y0 = y = (y - cy) * ify;

    // compensate distortion iteratively
    for (unsigned int j = 0; j < 5; j++)
    {
        double r2 = x * x + y * y;
        double icdist =
            1. / (1 +
                  ((cameraModel.dist[4] * r2 + cameraModel.dist[1]) * r2 +
                   cameraModel.dist[0]) *
                      r2);
        double deltaX = 2 * cameraModel.dist[2] * x * y +
                        cameraModel.dist[3] * (r2 + 2 * x * x);
        double deltaY = cameraModel.dist[2] * (r2 + 2 * y * y) +
                        2 * cameraModel.dist[3] * x * y;
        x = (x0 - deltaX) * icdist;
        y = (y0 - deltaY) * icdist;
    }

    // Save undistorted pixel coords:
    outPt.x = x * fx + cx;
    outPt.y = y * fy + cy;

算法描述:
初始化:将校正之后的点(x', y')假设为src的归一化点(x'', y'')

  1. 通过(x', y')计算畸变因子distFactor。
  2. 通过(x'', y'')和distFactor,计算新的校正点,赋值给(x', y')。
  3. 通过(x', y')计算其畸变之后的点与(x'', y'')之间的error。
  4. 如果未达到预先设定的迭代次数,或者error未达到阈值,回到1。
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,651评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,468评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,931评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,218评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,234评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,198评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,084评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,926评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,341评论 1 311
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,563评论 2 333
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,731评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,430评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,036评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,676评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,829评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,743评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,629评论 2 354

推荐阅读更多精彩内容