感知_图像处理_内外参

import numpy as np
import cv2

# ========== 1. 定义内参矩阵 K ==========
# 假设相机焦距 fx=fy=500 像素，图像中心在 (320, 240)
K = np.array([[500,   0, 320],
              [  0, 500, 240],
              [  0,   0,   1]], dtype=np.float32)

# ========== 2. 定义外参 R 和 T ==========
# 假设相机没有旋转（单位矩阵），向右平移 10 个单位，向前 5 个单位
R = np.eye(3, dtype=np.float32)  # 无旋转
T = np.array([10, 0, 5], dtype=np.float32)  # 平移向量

# 组合成外参矩阵 [R | T] → 3x4
RT = np.hstack((R, T.reshape(3, 1)))  # shape: (3, 4)

# ========== 3. 定义一个世界坐标点 ==========
# 例如：空间中一个点 (X=2, Y=3, Z=10)
P_world = np.array([2, 3, 10, 1], dtype=np.float32)  # 齐次坐标

# ========== 4. 投影到图像平面 ==========
# 先用外参变换到相机坐标系
P_camera = RT @ P_world  # shape: (3,)

# 再用内参投影到图像（像素坐标）
p_homogeneous = K @ P_camera  # shape: (3,)

# 转换为非齐次坐标 (u, v)
u = p_homogeneous[0] / p_homogeneous[2]
v = p_homogeneous[1] / p_homogeneous[2]

print(f"投影后的像素坐标: u={u:.2f}, v={v:.2f}")
# 输出示例: u=370.00, v=255.00

实际应用中怎么获得内参和外参？

内参：通过“相机标定”获得

用棋盘格标定板 + 多张照片 → OpenCV 自动计算内参和畸变系数。

# 示例：标定相机（简化版）
import cv2
import numpy as np

# 准备标定板角点的世界坐标（假设 Z=0）
objp = np.zeros((6*9, 3), np.float32)
objp[:, :2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2)

objpoints = []  # 3D 点
imgpoints = []  # 2D 点

# 假设你有若干张标定图像
images = ["calib1.jpg", "calib2.jpg", ...]

for img_path in images:
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, (9,6), None)
    if ret:
        objpoints.append(objp)
        imgpoints.append(corners)

# 相机标定 → 得到内参、畸变系数、外参（每张图的）
ret, K, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None
)

print("内参矩阵 K:\n", K)
print("畸变系数:\n", dist)

外参：标定过程中每张图都会得到一个外参（R 和 T）

• rvecs：旋转向量（需用 cv2.Rodrigues() 转成旋转矩阵 R）
• tvecs：平移向量 T

  # 将旋转向量转为旋转矩阵
  R, _ = cv2.Rodrigues(rvecs[0])  # 第一张图的旋转矩阵
  T = tvecs[0].flatten()          # 第一张图的平移向量
  
  print("第一张图的外参 R:\n", R)
  print("第一张图的外参 T:\n", T)