Photoscan相机标定与畸变改正全流程：从内参原理到工程实践-开发者社区

简介：聚焦PhotoScan（现Metashape）的相机标定与畸变改正环节，面向航空摄影测量、三维重建的工程师与学生，讲述从原始照片到无畸变影像的关键流程。文档共1个docx文件，大小约2.37MB，以图文步骤呈现两个核心过程：标定部分涵盖影像导入、高精度对齐（空三）、工具菜单下的相机参数优化、焦距与主点及畸变系数求解、以及相机参数导出；畸变改正部分解释大规模测区中仅选取纹理丰富影像做参数估计、再对所有影像导入相机参数并批量导出未畸变影像的实用思路，同时提醒格式兼容性细节。正文对每一步操作入口和注意事项均有说明，已有4759人学习下载。阅读后可独立完成预处理链路，有效提升后续建模的精度与稳定性。

1. 为什么这张图纸里最不显眼的两个词反而最要命

做三维重建的同事应该都有过这种经历：拿一组照片跑 Photoscan（老用户还是习惯叫这个名字，新版本叫 Metashape），特征匹配没问题，稀疏点云出来了，但一生成密集点云就开始“飘”，模型像被谁揉过一样，边缘弯曲、面片扭曲。这时候你查一万遍参数设置都不如回头看一眼相机标定。标定决定的是相机内参——焦距、主点、畸变系数——本质上是把二维像素坐标换算回三维射线的那把尺子。尺子歪了，后面所有环节都白搭。

这篇标题里的“photoscan处理流程--相机标定--畸变改正”其实点破了一条非常完整的技术链路：先搞清楚标定到底标的是什么，再在 Photoscan 里把标定参数管起来，最后做畸变改正并验证质量。这篇内容就按这条链路走一遍，重点放在参数怎么读、怎么改、怎么验，以及把流程沉淀成 docx 可交付文档的那层经验。适合正在做航测、近景摄影测量、或者刚接手多相机标定任务的人，新手能照着跑通流程，老手可以看看边界和坑在哪。

2. 相机标定的数学模型：内参、外参、畸变系数分别做了什么

2.1 针孔模型中的内参矩阵与像素坐标换算

相机标定的理论底座是针孔成像模型。三维空间里的一个点，经过刚体变换（外参）落到相机坐标系，再经过透视投影变成图像平面上的物理坐标，最后通过内参矩阵转换到像素坐标。这一整条链路的数学表达非常紧凑，同样也是 Photoscan 在光束法平差里反复优化的对象。

内参矩阵通常写成这样：

import numpy as np K = np.array([ [fx, s, cx], [ 0, fy, cy], [ 0, 0, 1] ])

其中fx、fy是焦距在像素宽高方向的度量，单位是像素，不是毫米。cx、cy是主点坐标，理论上应该在画面中心，实际装配总有偏差，必须标定出来。s是倾斜因子，消费级相机基本可以忽略，量测相机或扫描后背才需要单独算。像素坐标和归一化坐标的关系就是u = fx * X/Z + cx，这个公式看着简单，却是后面所有畸变改正的出发点。

需要区分的是，Photoscan 的相机标定窗口里不叫fx/fy，而是显示一个焦距f和像幅的高宽，软件用像幅尺寸和焦距再换算成像素焦距。不同软件厂商的命名习惯不一样，MATLAB 相机标定工具箱、OpenCV 和 Photoscan 三个地方看到的参数长得不一样，但描述的是同一个物理对象。

2.2 Brown-Conrady 畸变模型：k1/k2/p1/p2 到底在改什么

真实镜头不是完美小孔，光线经过镜片组会产生径向畸变和切向畸变。最通用的表达是 Brown-Conrady 模型，也是大部分摄影测量软件和 OpenCV 的默认选择。

def distort_point(x, y, k1, k2, p1, p2, k3=0.0): # 输入归一化坐标，输出带畸变的归一化坐标 r2 = x*x + y*y r4 = r2*r2 r6 = r4*r2 radial = 1 + k1*r2 + k2*r4 + k3*r6 x_dist = x * radial + 2*p1*x*y + p2*(r2 + 2*x*x) y_dist = y * radial + p1*(r2 + 2*y*y) + 2*p2*x*y return x_dist, y_dist

k1、k2、k3是径向畸变系数，负责修正镜头从中心到边缘的放大率偏差。k1是最主要的一项，绝大多数普通镜头用k1加k2就够了，k3通常留给鱼眼和广角变焦头。p1、p2是切向畸变系数，描述镜片组光轴和传感器平面不垂直造成的偏心变形，数值一般比径向系数小一个数量级。

有个容易踩的坑：Photoscan 的透镜类型分“帧相机”和“鱼眼相机”两种，帧相机默认走 Brown-Conrady 模型，鱼眼相机走的是等距投影模型，参数项更复杂。如果你拿普通广角镜头直接选鱼眼类型，或者相反，标定结果看起来像模像样，重投影误差也不高，但生成的正射影像边缘会出现奇怪的拉扯。解决办法是固定类型后重新做对齐优化，而不是靠调畸变系数硬凑。

2.3 单目、双目和 RGB-D 相机标定的差异

单目标定只求一个相机内参；双目标定（比如标题相关热词里的“双目相机标定”）需要同时标出左右相机各自的内部参数、以及两个相机之间的相对位姿外参。D435i 这种基于红外结构光的 RGB-D 相机更特殊，除了普通彩色相机的内参，还要标深度相机的内参以及深度到彩色坐标系的外参变换矩阵。

从实践角度说，无论哪种相机，只要照片是放进 Photoscan 里做重建，Photoscan 只关心每个镜头自身的投影模型是否准确。双目的外参在三维重建里可以由照片间的相对定向解算出来，不一定需要额外提供标定板结果。但如果涉及深度图融合，就得优先保证深度相机和彩色相机外参的精度，这一步通常在相机厂家的 SDK 里完成，然后用厂家导出的参数文件走后面章节说的导入流程。

3. Photoscan 处理流程中的标定实战：照片对齐、参数查看与优化

3.1 用照片直接对齐时，Photoscan 如何“自标定”

Photoscan 处理流程里最常见的一种情况，是手里没有标定板照片，只有目标场景的一组照片。这时候软件靠的是光束法平差里的自标定能力：从多视角匹配的特征点出发，一边恢复相机位姿，一边估计内参和畸变参数。国外文献里管这个叫 Self-Calibration，在复试测量中被大量使用。

具体操作上，工作流就是标准的对齐照片（Align Photos）：

# 这是个伪代码示意，实际在 GUI 里操作 工作流 → 对齐照片 → 设置精度为“高” → 勾选“自适应相机模型拟合”

“自适应相机模型拟合”（Adaptive camera model fitting）这个选项值得多说一句。勾选后，软件会先做一个快速初始平差，评估径向畸变的显著性，再决定是否把k1、k2、p1、p2全部释放参与平差。如果你拍的镜头畸变很小、照片张数又多，可能平差结果里有些系数被固定为 0，避免过拟合。这个选项默认开启，建议保持。关闭它反而会让非量测镜头的参数收敛到局部极小值。

对齐完成后，右键“相机”窗口里任意一张照片，选择“相机标定”，就能看到每个相机组的参数列表。下表中是帧相机类型下最常见的字段：

字段	含义	初值参考
f	焦距，像素	从 EXIF 估算，约等于像幅宽的一半除以 tan(FOV/2)
cx, cy	主点坐标	默认取像幅宽高的一半
k1, k2	径向畸变系数	0 或上一轮平差结果
p1, p2	切向畸变系数	0
b1, b2	仿射参数，传感器行列方向偏差	0，量测相机才需要动

3.2 导入外部标定结果：用 MATLAB 或 OpenCV 标出的内参怎么填

如果你的相机已经用 MATLAB 相机标定工具箱或者 OpenCV 的calibrateCamera()跑过一遍棋盘格，拿到了一组相对可靠的初始值，可以把它直接喂给 Photoscan，让它不再从 EXIF 胡乱猜。

点击“相机标定”窗口里的“从文件导入”，选择以 XML 或 Metashape 自定义格式保存的标定文件。常见做法是先用一段 Python 脚本把 OpenCV 的标定结果转换过去：

import cv2 import numpy as np # 假设你已经用 cv2.calibrateCamera 得到了 K 和 dist K = np.array([[1452.3, 0.0, 960.0], [0.0, 1450.1, 540.0], [0.0, 0.0, 1.0]]) dist = np.array([-0.21, 0.08, 0.001, 0.0008, 0.0]) # k1 k2 p1 p2 k3 # 按 Metashape 的 XML 格式写文件 with open("camera_calib.xml", "w") as f: f.write('<?xml version="1.0" encoding="UTF-8"?>\n') f.write('<calibration resolution="1920 1080">\n') f.write(f' <f>{K[0,0]:.6f}</f>\n') f.write(f' <cx>{K[0,2]:.6f}</cx>\n') f.write(f' <cy>{K[1,2]:.6f}</cy>\n') f.write(f' <k1>{dist[0]:.8f}</k1>\n') f.write(f' <k2>{dist[1]:.8f}</k2>\n') f.write(f' <p1>{dist[2]:.8f}</p1>\n') f.write(f' <p2>{dist[3]:.8f}</p2>\n') f.write('</calibration>\n')

写入后到“工具 → 相机标定 → 从文件导入”，选camera_calib.xml，会看到参数表里的值被替换。注意导入后建议不要直接开始重建，而是先重新跑一次“优化相机对齐”，让平差在这些初值附近再做一轮微调。这一步能在保留外部标定先验的同时修正航拍或近景采集过程中的微小震动误差。

3.3 用对齐后的重投影误差判断标定是否收敛

判断标定质量，不能看参数长得是否“像样”，要看平差完成后的重投影误差。Photoscan 在“对齐照片”完成后，菜单“工具 → 优化相机对齐”会弹出一个窗口，列出所有可参与优化的参数项。这里有个容易忽略的地方：默认只勾选了畸变系数和位姿，cx、cy往往默认固定。如果你的照片数量少于 30 张，或者视角变化不够充分，强行释放主点会让平差收敛到离谱的位置。更稳妥的做法是保留主点为初始值，只优化焦距和畸变项，待控制点加入后再逐步放开。

重投影误差在“视图 → 统计信息”里看，单位是像素。一般近景摄影测量项目，均值能进 0.5 像素就算合格；航测项目控制在 1 像素以内比较稳妥。如果误差在 2 像素以上，优先检查特征点匹配是否有误匹配，其次是照片 EXIF 里的焦距和实际焦距不一致导致初值偏离太远。

3.4 加入控制点后重新平差，标定参数会怎么变

控制点（GCP）是摄影测量流程里约束绝对精度的关键。添加控制点后，需要回到“工具 → 优化相机对齐”，把“自适应拟合”去掉，手动勾选想要优化的参数。添加控制点的动作会让标定参数发生真实变化，因为地面控制点引入了物方坐标的绝对约束，光束法平差会在“满足影像匹配”和“满足控制点坐标”之间做最小二乘协调。表现上，畸变系数可能不变，但外参的绝对位置会整体纠正。

4. 畸变改正的正确打开方式：从像素坐标重映射到出图

4.2 正向畸变 vs 反向畸变改正：映射方向千万别搞反

畸变改正的本质是重新采样一幅理想无畸变图像。关键问题在于：给定目标图像中的每个像素坐标(u, v)，它在原始图像中的对应位置是哪？这分为两种做法。

正向映射是逐像素遍历原图，计算每个畸变像素在目标图像中的位置，但会造成目标图像出现空洞和重叠，实际很少用。工程上普遍采用反向映射：遍历目标图像坐标，用畸变模型算出它在原图中的采样位置，再插值。对已经标定好的径向畸变，反向映射没有解析解，需要迭代。用 Newton 迭代法做几轮就能收敛：

def undistort_point(u, v, K, dist): # 目标像素坐标 -> 归一化坐标 x = (u - K[0,2]) / K[0,0] y = (v - K[1,2]) / K[1,1] k1, k2, p1, p2, k3 = dist xd, yd = x, y for _ in range(5): r2 = xd*xd + yd*yd r4 = r2*r2 radial = 1 + k1*r2 + k2*r4 + k3*r2*r4 # 反向模型的校正量 dx = 2*p1*xd*yd + p2*(r2 + 2*xd*xd) dy = p1*(r2 + 2*yd*yd) + 2*p2*xd*yd xd = (x - dx) / radial yd = (y - dy) / radial return xd, yd

注意这段代码里的dist顺序和 OpenCV 完全一致：k1, k2, p1, p2, k3。迭代初始值直接用目标坐标的归一化值，一般 3 轮内就能收敛到亚像素精度。

4.3 在 Photoscan 里做畸变改正的真实场景：不是导出图片

有个很多人会关心的问题：在 Photoscan 里点了畸变改正，怎么没看到矫正后的图片被导出？这是因为 Photoscan 的畸变改正发生在内部几何处理层面，不是直接输出一张无畸变 JPG。软件在构建正射影像或纹理映射时，内部已经隐式地完成了图像重采样。

如果确实需要输出改正后的影像（比如交给别的软件做特征匹配），常见做法是把标定结果导出，用 OpenCV 的undistort()批量处理。这个需求在混合软件工作流的项目里很常见。

import cv2 import glob import os K = np.array([[1452.3, 0.0, 960.0], [0.0, 1450.1, 540.0], [0.0, 0.0, 1.0]]) dist = np.array([-0.21, 0.08, 0.001, 0.0008, 0.0]) # 一次性处理整个文件夹 os.makedirs("undistorted", exist_ok=True) for img_path in glob.glob("raw/*.JPG"): img = cv2.imread(img_path) h, w = img.shape[:2] # 用 cv2.getOptimalNewCameraMatrix 可以控制输出裁切范围 new_cam, roi = cv2.getOptimalNewCameraMatrix(K, dist, (w, h), alpha=1) corrected = cv2.undistort(img, K, dist, None, new_cam) out_path = os.path.join("undistorted", os.path.basename(img_path)) cv2.imwrite(out_path, corrected)

alpha=1表示保留全部原始像素，输出图像会有黑色边缘；alpha=0表示丢弃畸变校正后无内容的边缘区域，会损失视野。做三维重建用alpha=1，因为裁剪会让图像间重叠度降低，可能影响特征匹配数量。

4.4 验证畸变改正效果的定量方法

改正好不好，随手打开图看不出名堂，尤其畸变本来就不大的镜头。我一般用两个定量指标做事后检查。

第一个是重投影误差。在 Photoscan 里“工具 → 优化相机对齐”跑完后看统计面板，这个数字在畸变改正后应该比改正前有明显下降。第二个是直线边缘的直线度检查，对畸变显著的广角镜头特别有效。方法很简单：找场景里一条穿过画面边缘的直线物体，比如建筑的屋檐，在改正前后两张图上分别取三个点，用最小二乘拟合直线，看最大偏差。畸变改正前偏差可能高达十几个像素，改正后应当小于 1 像素。

5. 把标定和畸变改正沉淀成可复用的 docx 处理流程

5.1 从数据整理到标定报告：一套能直接复制的工作流模板

这个标题最终是个 docx 文件，说明作者想交付的不仅是做了一遍标定，而是把流程整理成可交接的文档。实际项目里这是很常见的要求：让另一个工程师按文档里的步骤就能复现标定和畸变改正过程。一个好的标定报告，不应该是把软件截图堆在一起，而是要包含以下结构：

数据说明：照片张数、相机型号、分辨率、拍摄环境、是否启用云台或三脚架
标定方法选择：自标定还是棋盘格标定，为什么选这个方案
关键参数表：f、cx、cy、k1、k2、p1、p2，以及每次平差后的变化量
质量验证：重投影误差均值和最大值的记录，控制点残差
操作步骤：菜单路径、勾选项、顺序，按步骤编号

用 Python 的python-docx库可以把这些信息半自动生成报告，减少手工成稿的遗漏。

from docx import Document from docx.shared import Pt doc = Document() doc.add_heading('相机标定与畸变改正处理报告', level=1) # 填写核心参数 doc.add_heading('2. 标定参数', level=2) table = doc.add_table(rows=5, cols=3) table.style = 'Light Grid Accent 1' data = [ ('f', '1452.3', '像素'), ('cx', '960.0', '像素'), ('cy', '540.0', '像素'), ('k1', '-0.2103', ''), ] for i, (name, value, unit) in enumerate(data): row = table.rows[i+1].cells row[0].text = name row[1].text = value row[2].text = unit doc.save('标定报告.docx')

这段代码本身不复杂，关键是养成把参数名称、数值、单位三列对齐的习惯。很多标定报告里只写数字不写单位，过两个月回来看根本不知道f是像素还是毫米。

5.2 多相机项目中的批量标定策略

多相机（比如一组不同角度架设的近景相机）放进同一个 Photoscan 项目时，不要一股脑全部导入后统一对齐。常见策略是先把每个相机的照片单独跑一遍对齐，看各自的标定参数是否有明显异常，再合并进一个相机组。如果发现两个同型号相机标定出来的k1差很多，大概率是其中一个相机的照片晃动过大或采集时变焦了。

一次平行格标定产生的参数文件要多保存几个版本，因为这些参数的适用性针对特定焦距设置。变焦镜头在改变焦距后，畸变模型直接失效，需要重新标定。用 D435i 这类 RGB-D 相机时，尤其要注意不要私自改镜头的分辨率设置，否则标定参数和实际像素对应不上。