1. 进入标定工程前，先把“去畸变”这件事想清楚

做视觉测量、三维重建或者机器人抓取的工程师，多半都跟相机标定打过交道。Matlab的相机标定例程在业界用得相当广，因为它有图形化界面、能直接导出参数、还自带批量处理工具。但真正到了项目落地的时候，很多人的困惑不在“怎么跑通标定”，而在“标定完之后怎么把畸变矫正真正用到自己的程序里”。网上关于这套例程的教程不少，但大多是点到为止地贴一段undistortImage，看得懂开头看不懂细节。这让我觉得有必要把“Matlab相机标定例程中去畸变过程”从头到尾拆干净，包括背后那张畸变模型长什么样、Matlab到底帮你做了什么、以及不想用App时怎么直接调源程序来处理批量图片和视频帧。

这篇文章适合三类人：第一类是刚接触相机标定、想把原理和代码一起搞明白的初学者；第二类是已经在用Matlab标定工具箱、但遇到黑边、误差偏高、批处理卡壳等实际问题的人；第三类是想把标定结果接进自研算法、需要自己控制去畸变细节的开发者。我会把原理、参数含义、调用方式、踩坑记录全部揉在一起讲，尽量让这篇东西能当一份“可以直接抄作业”的工程笔记来用。

提示：本文主要基于Matlab Image Processing Toolbox中的相机标定模块，示例代码使用R2020a之后版本基本都能跑通，旧版本个别函数名有差异，后文会提到兼容性注意点。

2. 先把物理模型聊清楚：畸变到底是什么、标定又在求什么

2.1 针孔模型是理想世界，现实中的镜头总要给你加点“扭曲”

相机标定理论上的起点是针孔模型。理想情况下，一个三维点从世界坐标到像素坐标的投影，只经过一次刚体变换（外参）加一次透视投影（内参），数学上写成：

s·[u, v, 1]T = K·[R|t]·[X, Y, Z, 1]T

其中K是内参矩阵：

K = [fx, 0, cx; 0, fy, cy; 0, 0, 1]

fx和fy是焦距在像素单位下的表示，cx和cy是主点坐标。这个模型假设光线直线传播、透镜完美对称。可现实中的镜头是物理透镜，磨制精度、镜片组合、装配误差都会引入偏差，最典型的就是桶形畸变和枕形畸变。拍一张直线构成的棋盘格，你会发现远离画面中心的外围格子是弯的，边缘越往外越明显。这就是径向畸变，给针孔模型套上一层非线性扰动。

另一方面，镜头和传感器平面很难做到绝对平行，安装时有一点倾斜，画面就会产生梯形变形，这种叫切向畸变。工业相机里切向畸变通常比径向畸变小，但在低成本的广角模组或手机摄像头里，切向分量并不总能忽视。

所以标定这件事干两件事：一是把内参K和外参[R|t]求出来，二是把畸变系数求出来。只有两样同时拿到手，去畸变才有足够的数学依据。

1.2 标定到底在求什么：内参、外参与畸变系数的关系

Matlab整个标定流程围绕cameraParameters这个对象展开，它是一个数据容器，内部记录着内参矩阵、畸变系数、图像尺寸、标定板信息等。你通过Camera Calibrator App跑完流程后，导出变量就是它。常用字段包括：

• IntrinsicMatrix：内参矩阵，注意Matlab里存放的是转置形式，读的时候别弄反
• RadialDistortion：径向畸变系数[k1, k2, k3]
• TangentialDistortion：切向畸变系数[p1, p2]
• MeanReprojectionError：每张标定图的平均重投影误差
• WorldPoints：标定板角点的世界坐标

外参在标定时通常是按“每张标定板图像单独一组”来解的，它描述标定板平面相对于相机坐标系的位姿。因为标定板在每次拍摄时位置和角度都不同，所以每张图对应一组旋转和平移。外参不直接参与去畸变过程，但它的准确性会直接影响内参和畸变系数的求解质量。这个因果关系初学者容易忽略：以为畸变系数只跟镜头有关，跟标定板的摆放无关。实际上，畸变参数是“由外参推算内参和畸变”这套联合优化问题的解，标定板拍得太正、贴得太近、反光太强，都会把误差分摊进内参里，最后畸变系数自然也就不准了。

Matlab把畸变模型固定为常见的多项式模型，径向畸变用k1、k2、k3，切向畸变用p1、p2。它背后对应的是经典的Brown-Conrady模型。你在勾选界面时会看到Distortion coefficients的选项，默认是3个径向加2个切向，也就是5参数模型。如果镜头比较普通，选2个径向加2个切向也够用；如果镜头是鱼眼，那需要换鱼眼标定专用的模型，常规例程并不适用。

2. 从界面操作到数据落盘：标定流程与参数导出细节

2.1 用Camera Calibrator跑一遍全流程的实操关键

Matlab的标定App入口在App标签页下的Image Processing and Computer Vision，也可以直接在命令行敲cameraCalibrator打开。导入图片之后，界面会让你输入棋盘格边长，单位是毫米。这里要特别注意：

• 棋盘格每个格子的尺寸要量准。别用标称值，用游标卡尺量打印出来的实际值。打印纸受潮或缩放比例不对，毫米级的误差直接变成尺度误差，影响的是三维测量精度。
• 图片数量建议10到20张，太少的话，内参求解容易陷入局部最优，畸变系数尤其不稳。
• 拍摄时角度要变化，俯仰角度最好覆盖正负15到30度，还要包含平移、旋转和不同远近的图。如果全都摆在画面正中且角度接近0度，外参退化，内参解出来的方差会很大。

App里点Calibrate之后，可以查看每张图的误差图。Matlab会显示检测到的角点位置与重投影位置之间的连线，越乱说明这张图的误差越大。做完标定，点击Export Camera，工作区里就会出现cameraParams对象。建议用save('cameraParams.mat','cameraParams')存下来，后边的去畸变代码直接从mat文件加载。

2.2 导出标定数据：cameraParameters对象里到底装了什么

很多教程直接说“用cameraParams就行了”，但工程上你最好知道这个对象里有哪些可以编程访问的字段。常用访问方式：

load('cameraParams.mat'); K = cameraParams.IntrinsicMatrix'; % 转置后才是标准的3x3内参 radial = cameraParams.RadialDistortion; % [k1 k2 k3] tangential = cameraParams.TangentialDistortion; % [p1 p2] focalLength = cameraParams.FocalLength; % [fx fy] principalPoint = cameraParams.PrincipalPoint; % [cx cy] imageSize = cameraParams.ImageSize; % [rows cols]

这里的内参矩阵转置是个经典坑。Matlab里存的是K的转置，你直接拿去乘三维坐标会得到错误结果，必须先转置回来。另一个坑是FocalLength和PrincipalPoint这些字段，在老版本工具箱里位置和名称略有差异，如果你用的版本比较旧，建议用fieldnames(cameraParams)先打印所有字段名。

外参信息不直接存在cameraParams中，而是存在一个叫pattern的局部变量里。如果你用编程方式做标定，可以拿到单张图像的外参。用App导出时，cameraParams里其实不保留逐张外参，这一点要注意。需要外参时，通过extrinsics函数配合单张图像和对应点重新计算。

3. 去畸变的核心原理：从畸变坐标到理想坐标的数学过程

3.1 畸变模型拆解：径向畸变与切向畸变的具体作用

去畸变的本质，是把带畸变的图像坐标还原成理想针孔投影下的坐标。Matlab内部使用的畸变公式如下，设归一化平面上的理想坐标为(x, y)，畸变后的坐标为(xd, yd)：

r² = x² + y²

xd = x(1 + k1·r² + k2·r⁴ + k3·r⁶) + 2·p1·x·y + p2·(r² + 2x²) yd = y(1 + k1·r² + k2·r⁴ + k3·r⁶) + p1·(r² + 2y²) + 2·p2·x·y

这个公式里有三个关键点：

径向畸变那一串多项式，作用是把坐标沿半径方向拉伸或压缩。k1是主导项，控制畸变的整体方向和大小；k2、k3修正高阶项，鱼眼和广角镜头的高阶畸变明显。k3设成0就退化为2参数模型。切向畸变的两个p分量，分别处理图像坐标沿着x和y方向的倾斜补偿。对大部分工业镜头，p1、p2数值很小，常在10⁻⁴量级，但仍然要留在模型里，因为装配误差是客观存在的。

Matlab内部在对图像做去畸变时，并不会直接去找“理想坐标->畸变坐标”的正向关系，而是走反向映射。也就是说，对输出图像中的每一个像素(u, v)，先换算到归一化平面，再把畸变加回去，得到它对应原始图像中的采样坐标，最终用插值方式取出像素值。这背后其实是一个迭代求解过程，因为畸变公式是“理想坐标->畸变坐标”的正向形式，而我们拿到的是畸变后的实际坐标，想反推理想坐标没有闭式解，只能迭代逼近。

3.2 从畸变坐标反推理想坐标的迭代策略

实际编程中，如果你想绕过Matlab内置函数，自己实现去畸变，最常用的方法是牛顿迭代。设观测到的归一化畸变坐标为(xd, yd)，目标是求满足下式的(x, y)：

F(x, y) = 0

其中F即正向畸变公式移项后的结果。迭代初值可以取(xd, yd)，因为畸变量通常不大，一步或几步就能收敛。工程上还有另一个更省力的办法：先用一个足够大的网格，把理想坐标映射到畸变坐标，生成查找表，再对查找表做逆查。由于畸变函数在非鱼眼场景下通常是单调的，这个逆查表效果很好。

Matlab的undistortImage函数内部其实使用estimateCameraMatrix相关逻辑并生成一个重映射映射，类似OpenCV中的initUndistortRectifyMap加remap组合。你不需要亲自写迭代，但理解这个过程很有用——当你需要用自定义插值方式或自定义新相机矩阵时，知道底层的映射机制才不会用错参数。

3.3 重映射与插值：最终像素怎么落位，黑边又是怎么来的

去畸变的最后一步是像素采样。原始畸变图像像素在非均匀的位置上，输出图像的正规则网格需要从原图取颜色。插值方式选错了，边缘会出锯齿，或者产生奇怪的光晕。undistortImage默认用双线性插值，一般够用。若对图像质量要求高，可用cubic，但计算量会大一些。若只做视觉检测，双线性插值的速度和精度平衡得更好。

黑边的来源也在这里。去畸变后，原本靠近边缘的桶形畸变像素被向外拉平，输出图像边缘区域缺少有效信息，于是显示为黑色。处理黑边的方式有几种：接受黑边；通过OutputView参数设为'same'让输出图像保持原尺寸比例；调整为'full'让输出画面包含所有有效像素，但图像会被放大，部分边缘被裁剪；或者用新的相机内参矩阵放大焦距，让输出图从中间裁剪得更紧，避免大块黑边。这几种方式的取舍我放到第五节细讲。

4. 程序代码实现：三种调用源程序的使用场景与完整示例

4.1 最快路径：调用内置的undistortImage处理单张图片

去畸变最直接的方式就是调用内置函数。核心代码不长，但参数细节要捋清楚：

%% 加载标定结果 load('cameraParams.mat'); %% 读取待去畸变图像 I = imread('calib_01.jpg'); % 替换为实际图像路径 %% 去畸变并返回新图 [J, newOrigin] = undistortImage(I, cameraParams); %% 可视化对比 figure; imshowpair(I, J, 'montage'); title('左侧为原始图像，右侧为去畸变结果');

newOrigin是输出图像相对于原始图像坐标系的偏移量。这个返回值平时容易被忽略，但当你把去畸变后的像素坐标映射回原始图像坐标做特征匹配时，必须把它加回去。两次undistortImage之间如果不管newOrigin，坐标会差一个平移量，标定结果再好也没用。

再看一个常见需求：用一张图去畸变，并提取角点做后续位姿估计。

I = imread('calib_02.jpg'); [J, newOrigin] = undistortImage(I, cameraParams); % 检测棋盘格角点 [imagePoints, boardSize] = detectCheckerboardPoints(J); % 关键：把点坐标还原到原始图像坐标系下 imagePoints = imagePoints - newOrigin; % 计算外参 [rotationMatrix, translationVector] = extrinsics(imagePoints, cameraParams.WorldPoints, cameraParams);

这段代码里imagePoints = imagePoints - newOrigin是核心。因为undistortImage输出的J是已经重映射过的图像，角点坐标是在J的坐标系的；要算外参，必须用原图坐标系的点。extrinsics函数要求输入点坐标与cameraParams的内部坐标系一致，所以偏移量必须补偿回去。

4.2 高自由度的手动控制：自己构造映射表来去畸变

内置undistortImage好用，但灵活性不够。比如你想把去畸变后的图像输出到任意尺寸、任意内参矩阵，或者你想在GPU上批量处理，就需要自己动手构造重映射参数。

% 图像尺寸 imageSize = size(I); nrows = imageSize(1); ncols = imageSize(2); % 构建像素网格 [u, v] = meshgrid(1:ncols, 1:nrows); % 归一化坐标 K = cameraParams.IntrinsicMatrix'; fx = K(1,1); fy = K(2,2); cx = K(1,3); cy = K(2,3); x = (u - cx) / fx; y = (v - cy) / fy; % 应用畸变模型 r2 = x.^2 + y.^2; radial = 1 + cameraParams.RadialDistortion(1) * r2 + cameraParams.RadialDistortion(2) * r2.^2 + cameraParams.RadialDistortion(3) * r2.^3; dx = 2 * cameraParams.TangentialDistortion(1) .* x .* y + cameraParams.TangentialDistortion(2) .* (r2 + 2 * x.^2); dy = cameraParams.TangentialDistortion(1) .* (r2 + 2 * y.^2) + 2 * cameraParams.TangentialDistortion(2) .* x .* y; xd = x .* radial + dx; yd = y .* radial + dy; % 反算到像素坐标 ud = xd * fx + cx; vd = yd * fy + cy; % 使用interp2进行插值采样 J = zeros(nrows, ncols, size(I,3)); for c = 1:size(I,3) J(:, :, c) = interp2(double(I(:, :, c)), ud, vd, 'linear', 0); end J = uint8(J);

这段代码对理解“反向映射”非常有帮助。注意interp2(double(I(...)), ud, vd)，Matlab的interp2要求输入坐标与网格索引对齐，所以我这里把图像先转成double再插值，最后再转回uint8。如果原始图像很大，比如1200万像素，这段代码跑起来会比较慢。批量处理时建议先用imwarp的一些加速路径，或者考虑把映射表一次算好，之后只做查表。

其实Matlab提供了imwarp相关的底层重映射工具，不过它更接近图像配准函数，直接在标定场景下用容易混淆参数。我的建议是：如果只是想快速去畸变，用内置undistortImage；如果要做深度定制，才自己构建网格和映射。

4.3 批量流水线：视频帧序列与图片集合的自动去畸变

工程场景里，你往往要对一整段视频或上百张图片批量去畸变。逐张调用undistortImage没问题，但有几个性能优化点值得写进代码。

%% 批量处理图片序列 srcDir = './raw_images'; dstDir = './undistorted_images'; if ~exist(dstDir, 'dir') mkdir(dstDir); end files = dir(fullfile(srcDir, '*.jpg')); numFiles = length(files); % 如果需要显示进度 parfor i = 1:numFiles filename = fullfile(srcDir, files(i).name); I = imread(filename); [J, ~] = undistortImage(I, cameraParams); imwrite(J, fullfile(dstDir, files(i).name)); end

批量处理的细节在于：如果同时处理大量图片，内存占用会快速上升。可以用parfor并行循环，但要注意cameraParams这个对象在并行池里的广播问题，最好先load cameraParams.mat之后再传循环。如果机器内存不够大，建议用parfor时只在每个worker里加载一次参数。

视频处理的思路类似，但要加一个读取视频流框架，并且处理好帧类型转换。

videoReader = VideoReader('input_video.avi'); videoWriter = VideoWriter('output_undistorted.avi', 'Motion JPEG AVI'); open(videoWriter); while hasFrame(videoReader) frame = readFrame(videoReader); % undistortImage要求单波段或彩色图均可，灰度图直接传入没问题 if size(frame, 3) == 1 frameUndistorted = undistortImage(frame, cameraParams); else frameUndistorted = undistortImage(frame, cameraParams); end writeVideo(videoWriter, frameUndistorted); end close(videoWriter);

视频逐帧去畸变时，undistortImage的内部映射表可以对同一分辨率重复使用，但它每次都会重新计算。如果你要处理长视频，建议自己预先算好映射表，对每一帧只做查表和插值。这个先算映射表再复用的思路，能把长视频处理时间缩短一半以上。另外，VideoWriter可能需要指定输出格式，比如'MPEG-4'或'Motion JPEG AVI'，具体看Matlab版本支持范围。

5. 常见问题与排查技巧实录

5.1 重投影误差偏高：先从标定图集本身找原因

很多人跑完标定，看到MeanReprojectionError为0.5个像素就开始焦虑，其实要看项目精度需求。一般工业视觉，平均重投影误差在0.2到0.5像素之间是可接受的；低于0.1像素已经非常理想。如果误差超过0.8像素，基本是标定图集的问题。

常见原因有三个：

• 拍摄时使用了不同分辨率，比如标定时用2448x2048，测试时用1920x1080。相机内参和畸变系数是跟分辨率绑定的，混用必然误差偏大。
• 标定板不够平整。打印纸贴在普通纸板上往往会翘曲，建议贴在刚性玻璃或铝板上，不然角点提取精度就到不了亚像素。
• 图片数量太少或角度覆盖太单一。10张图有8张都是正对着拍照，畸变参数几乎无法约束，误差自然高。

排查手法也很直接：App里看每张图的误差分布图。如果只是某一张误差特别大，考虑去掉它重新标定。这种图片往往是轻微失焦或运动模糊，角点检测勉强通过但精度不够。

5.2 去畸变后图像出现黑边和边缘拉丝

黑边问题我在第三部分提过，具体处理策略分两种：

如果只是视觉展示，黑边无伤大雅。但视觉测量时黑边区域不能参与计算，需要做掩膜。undistortImage返回的newOrigin可以帮你计算有效区域。设定一个阈值，把靠近图像边界的一圈像素全部排除即可。

如果要去掉黑边且不想损失视野，可以修改相机内参矩阵。把主点位置微调，并适当缩小焦距，让输出图像的有效像素范围更接近原始图像。实际操作中，我试过直接将内参矩阵的对角元素约乘0.95，并重新设定主点，这样输出图像的黑边会明显收缩，但注意这会改变焦距标定值，三维精度会受影响。补偿方式是让后续算法全部使用新的内参矩阵，而不是原来的cameraParams。

边缘拉丝则多半是插值方式导致的。双线性插值在畸变比较大的边缘会产生轻微模糊或锯齿，改成立方插值可以改善。如果是颜色伪影，可能是外部图像格式转换引起的，例如uint8到double转换时没有归一化。

5.3 相机换了分辨率，标定结果还能直接用吗

很多项目会先标完一个分辨率，然后改成裁剪ROI或缩放输出，结果去畸变出一堆怪图。原因在于内参矩阵和畸变系数都定义在原始图像坐标系下。分辨率一变，fx、fy、cx、cy都要按比例缩放，畸变系数本身不随分辨率变化，但径向畸变的r需要用归一化坐标计算，所以只要归一化时用的内参对了，结果就对了。

实践中我建议直接重新标定，别去凑合缩放。因为分辨率缩放时，主点位置和畸变模型的近似关系会引入额外误差，尤其是畸变比较大的广角镜头，缩放后的去畸变结果会出现系统性外扩或收缩，很难调回来。如果项目确实只能标定一次，那测试时保持相同分辨率是底线。

5.4 代码在不同环境间迁移时常见的报错与对策

在同事电脑或服务器上跑同一套代码，常见的坑有：

• cameraParams变量名不一致。我习惯在导出时统一命名为cameraParams，并在每一段脚本里用load('cameraParams.mat', 'cameraParams')确保读进来的变量名正确。
• 工具盒版本不同导致函数签名变化。undistortImage在R2013b之前和之后的参数定义不完全相同，建议代码里加一段版本判断，或者直接用which undistortImage确认版本。
• 图像路径硬编码导致跨平台失败。别写D:\data\...这种绝对路径，改成fullfile(fileparts(mfilename('fullpath')), 'data', 'img.jpg')之类的相对路径写法。

还有一个容易被忽视的点：GPU加速。undistortImage本身并不直接支持gpuArray，但你可以把映射表算出来后用interp2在GPU上做，或者用arrayfun加parallel.gpu.CUDAKernel自己写加速核。对于1080p视频，CPU上逐帧处理大致每帧几十毫秒，GPU加速后能到个位数毫秒，接近实时。这个优化留给有需要的读者，先保证CPU版逻辑跑通，再考虑性能。

6. 一个更稳的调用习惯：把源程序封装成自己的工具函数

不要每次都写一堆加载和调用的重复代码，建议封装成一个工具函数：

function [J, newOrigin] = undistortWrapper(I, paramPath) % 从磁盘加载标定参数并去畸变 S = load(paramPath, 'cameraParams'); cameraParams = S.cameraParams; [J, newOrigin] = undistortImage(I, cameraParams); end

这个封装的意义在于：一是把路径和加载逻辑统一收口，二是在你以后换用不同相机或不同标定文件时，只需要改参数路径，不用动业务代码。如果团队协作，建议把cameraParams放在固定目录，并用脚本统一导出成calibration_data.mat，里面存cameraParams、date、cameraName等字段，方便追溯。

我自己做项目时还会额外算一个“去畸变质量指标”：选取原始图像中一条直线边缘，去畸变后检测边缘点，拟合成直线，看最大偏离误差。这个指标比平均重投影误差更能直接反映测量的实际精度，也非常适合做去畸变前后的效果对比。

7. 写在最后的一点个人经验

标定和去畸变在工程里是一对孪生兄弟，标定结果本身再漂亮，如果去畸变环节用错了坐标、选错了插值方式、忽略了newOrigin，到头来都会在测量误差里还回去。我早期做项目时吃过不少亏，尤其是newOrigin这种看似不起眼的返回值，常常在坐标换算时引起零点几个像素的偏差，排查大半天才发现是这里没补偿。

我用Matlab相机标定例程几年下来，最大的体会是：把函数当作白盒来用，而不是黑盒。undistortImage确实一行代码就能出结果，但如果你能理解它背后的畸变公式、重映射逻辑以及坐标系统，就能在项目里翻出各种功能：自定义去畸变的图像尺寸、补偿偏移、批量加速、甚至把同样的参数导入到OpenCV里做跨语言部署。技术工具都是这样，多沉下去一点，后面能做的事情就多出不少。希望这篇拆解能让你少走一些我已经走过的弯路。