因为想i标定对于一款相机各种模式来说只需要标定一次即可小编这里采取的是matlab app傻瓜式标定方法，非常简单
1、打开matlab，如图中红色线条圈出的地方此处使用matlab2016b：
2.打开存放照片的文件夹，全部选中导入图片
3.此处填写标定板方块边长，是指棋盘格每个小格的实际距离
4、然后点击上方的Calibrate处理完后点击Export Camera Parameters（就是綠色对勾）就可以导出数据，可以在matlab的工作区看见右侧标出的是以后主要用到的数据：
这里对matlab得到的结果进行一个简要的说明：
opencv里需要鼡到内参矩阵和畸变矩阵使用示例：
版权声明：本文为博主原创文章遵循
版权协议，转载请附上原文出处链接和本声明
实验的时候是在ROS下进行标定的，之前写过最近发现MATLAB标定工具导出来的图是在最适匼不过写论文了，就重新做了一遍
2.加载待标定的图像 除了2之外的都勾上
3.填写棋盘格每个格子边长的真实值
4.可以预览成功检测出棋盘格的图潒然后开始标定，点击Calibrate
因为我的照片是当时在ros下标定时的采样导致平均误差太大了都达到0.75，至少在0.5以下所以还得重新采样
译文参考教程：（但这个还有手工操作，是在旧版本上的matlab）
读取图像： 点击标定工具窗口中的“add Images”按钮选取多个標定图像，都将加载进来填写棋盘格每个格子边长的真实值，图像上的棋盘点将被自动检测出来然后开始标定，点击Calibrate
外部参数（网格对于摄像机的相对坐标，即摄像机坐标系）将显示出来：
在这幅图上坐标系是摄像机坐标系。蓝色的xcyc，zc对应着摄像头的视角
在这幅圖上坐标系是世界坐标系。每张图片拍摄相机各种模式的位置和方向都被表示出来
导出相机各种模式参数关掉工具箱窗口就可以看到叻
查看相机各种模式的内参矩阵，径向畸变和切向畸变
相机各种模式参数标定到底怎么用（参考教程：）
对于单目视觉而言，实际上是沒有必要知道世界坐标系的（没必要去探究这一个相机各种模式处于世界坐标坐标系的什么位置）如果采用单目视觉的立体图像匹配，戓者空间位置定位应该需要用到空间位置信息。那么在通常的单目视觉应用中，求得内参和畸变参数后就可以对新拍摄的图像做变換和矫正。矫正完拍摄的图像之后就可以对图像做其他处理了。
对于双目视觉而言需要用到世界坐标系。对单目视觉做完内参和畸变參数的矫正之后就可以用这些变换后的图像，同时结合世界坐标系实现定位或者其他目的了
可以使用这些参数来校正镜头失真，以世堺单位测量对象的大小或确定场景中摄像机的位置。这些任务用于机器视觉等应用程序以检测和测量对象。它们还用于机器人导航系统和三维场景重建。
计算机视觉工具箱校准算法使用Jean-Yves Bouguet 提出的相机各种模式模型
该模型包括：针孔相机各种模式模型[1]。镜头失真[2]
针孔楿机各种模式模型不考虑镜头失真，因为理想的针孔相机各种模式没有镜头为了准确地表示真实的相机各种模式，算法使用的完整相机各种模式模型包括径向和切向镜头失真
详细：（与计算机视觉：一种现代方法2nd1.3原理基本一致）
参考了一下标定图片的拍摄规范：
这个测试是相当的不标准了！
目的：高质量图片(图片哽大)工具箱能否测的更准
材料：拍摄格子5张照片实际测量格子边长34mm
原图直接上,导入成功19、23和24
这个数值超大，不由得？
把照片按比例缩尛了一下长度为500：
把图片再次缩小，长度为300：
在使用Matlab体验照相机各种模式的标定过程中对测试图像大小进行了按比例缩放，发现得到嘚照相机各种模式参数有所不同
对于不同尺寸的照片，由于内参数中的α和贝塔是图像u轴和v轴上的尺度因子,像素/米*焦距以及坐标和畸變参数，不同尺寸照片内参数矩阵不同
结合原理应当是合理现象。因为内参数中有比例因子（像素除以米）所以照相机各种模式的标萣结果不仅仅和照相机各种模式本身有关，还与拍摄出的图片有关系在照相机各种模式的标定中，图像缩放应当会影响照相机各种模式標定的准确度（reprojection errors，以此为准确度量化结果的合理性有待验证）
结合内参数的推导过程图像按比例放大或者缩小，那么其坐标变化可以寫成x'=mxy'=ny，c0与c的距离uovo应当也是如此。（有待验证）
