相机畸变系数$b_1,b_2$与畸变系数aspect ratio和skew的互转

相机畸变系数 b 1 , b 2 b_1,b_2 b1,b2与畸变系数skew和aspect ratio的互转

相机畸变系数 b 1 , b 2 b_1,b_2 b1,b2与畸变系数aspect ratio和skew是可以互相转换的畸变表达方式。 b 1 b_1 b1,aspect ratio用于表达影像的像元x、y方向尺寸不一致; b 2 b_2 b2、skew用于表达x轴y轴不垂直引起的畸变。本文将介绍这两种参数表示方式的互相转换方法:首先介绍应用这两种参数表示法的畸变模型,然后介绍如何互相转换。

两种模型的写法

( x ′ , y ′ ) (x',y') (x′,y′)是经过径向、切向畸变系数改正的像点坐标。 ( x , y ) (x,y) (x,y)是经过xy尺寸、垂直性校正后的坐标。这两个坐标均是在以像主点为原点的像平面坐标系中表达的。

x y \] = { f x ′ + b 1 x ′ + b 2 y ′ f y ′ \\begin{bmatrix}x\\\\y\\end{bmatrix}=\\begin{cases}fx'+b_1 x'+b_2 y'\\\\fy' \\end{cases} \[xy\]={fx′+b1x′+b2y′fy′ 其中, b 1 b_1 b1, b 2 b_2 b2的定义与[metashape文档](https://www.agisoft.com/pdf/metashape-pro_2_1_en.pdf)说明一致。 \[ x y \] = { f x ′ + s y ′ ρ f y ′ \\begin{bmatrix}x\\\\y\\end{bmatrix}=\\begin{cases}fx'+sy'\\\\\\rho fy' \\end{cases} \[xy\]={fx′+sy′ρfy′ 其中, s s s表示skew, ρ ρ ρ表示aspect ratio。可参见[ContextCapture文档](https://docs.bentley.com/LiveContent/web/ContextCapture_User_Guide_EN_PDF-v18/en/ContextCapture%20User%20Guide%20EN.pdf)。 ### 转换方式 这一节我们依然把skew记作s,aspect ratio记作ρ,用`:=`表示赋值操作。必须要说明的是,从上面两个公式可见,尽管焦距f的符号是一致的,但是转换 b 1 , b 2 b_1,b_2 b1,b2和skew、aspect ratio时,焦距也要相应的变化。 #### 由 b 1 , b 2 b_1,b_2 b1,b2计算skew和aspect ratio s : = b 2 ρ : = f / ( f + b 1 ) f : = f + b 1 s:=b_2\\\\ \\rho:=f/(f+b_1)\\\\ f:=f+b_1\\\\ s:=b2ρ:=f/(f+b1)f:=f+b1 #### 由skew和aspect ratio计算 b 1 , b 2 b_1,b_2 b1,b2 b 2 : = s b 1 : = f − ρ f f : = ρ f b_2:=s\\\\ b_1:=f-\\rho f\\\\ f:=\\rho f\\\\ b2:=sb1:=f−ρff:=ρf

相关推荐
北京地铁1号线35 分钟前
人工智能岗位招聘专业笔试试卷及答案
人工智能·深度学习·计算机视觉·大语言模型
AI小怪兽2 小时前
YOLO26:面向实时目标检测的关键架构增强与性能基准测试
人工智能·yolo·目标检测·计算机视觉·目标跟踪·架构
岑梓铭2 小时前
YOLO深度学习(计算机视觉)—毕设笔记(yolo训练效率加快)
人工智能·笔记·深度学习·神经网络·yolo·计算机视觉
Ryan老房2 小时前
从LabelImg到TjMakeBot-标注工具的进化史
人工智能·yolo·目标检测·计算机视觉·ai
carver w3 小时前
张氏相机标定,不求甚解使用篇
c++·python·数码相机
junziruruo3 小时前
损失函数(以FMTrack频率感知交互与多专家模型的损失为例)
图像处理·深度学习·学习·计算机视觉
li星野3 小时前
OpenCV4X学习-图像边缘检测、图像分割
深度学习·学习·计算机视觉
2501_941322033 小时前
【论文改进】柑桔目标检测:YOLO11-Seg与FocalModulation融合方案
人工智能·目标检测·计算机视觉
Sagittarius_A*3 小时前
单 / 多目标模板匹配:相似度度量与阈值优化【计算机视觉】
人工智能·计算机视觉
JAI科研4 小时前
MICCAI 2025 IUGC 图像超声关键点检测及超声参数测量挑战赛
人工智能·深度学习·算法·计算机视觉·自然语言处理·视觉检测·transformer