Kalibracja kamery

Czym jest kalibracja kamery?

Kalibracja kamery to proces wyznaczania parametrów geometrycznych, które definiują, w jaki sposób kamera odwzorowuje trójwymiarowe współrzędne świata na dwuwymiarowe współrzędne obrazu. Odpowiada na pozornie prosty problem: mając punkt w rzeczywistym świecie (x, y, z), który piksel (u, v) w obrazie mu odpowiada i z jaką matematyczną precyzją?

U jej podstaw kalibracja istnieje, ponieważ kamery są niedoskonałymi implementacjami idealnego modelu otworkowego. Każdy rzeczywisty system kamera-obiektyw odbiega od doskonałości w sposób, który musi być scharakteryzowany i skorygowany, zanim kamera będzie mogła być używana jako przyrząd pomiarowy. Bez kalibracji każda odległość, powierzchnia i objętość wyznaczone z obrazów niosą nieokreślony błąd systematyczny — to właśnie odróżnia fotogrametrię od zwykłej fotografii.

Model kamery otworkowej

Model kamery otworkowej jest matematycznym fundamentem, na którym opiera się cała kalibracja kamery. Opisuje idealne przekształcenie rzutowe z trójwymiarowych współrzędnych świata do dwuwymiarowych współrzędnych obrazu przez pojedynczy punkt — środek rzutów (centrum kamery). Model zakłada, że światło porusza się po liniach prostych przez nieskończenie mały otwór, że nie ma obiektywu oraz że płaszczyzna obrazu jest idealnie płaska i prostopadła do osi optycznej.

W modelu otworkowym punkt 3D X = [X, Y, Z, 1]ᵀ we współrzędnych świata odwzorowuje się na punkt obrazu x = [u, v, 1]ᵀ poprzez równanie rzutowania λx = K[R|t]X, gdzie λ jest współczynnikiem skali (głębią rzutową), K jest macierzą wewnętrzną kamery 3×3, a [R|t] jest macierzą zewnętrzną 3×4 reprezentującą obrót i translację ze świata do współrzędnych kamery. Rzeczywiste obiektywy wprowadzają systematyczne odchylenia od tego idealnego modelu — odchylenia, które kalibracja określa ilościowo i koryguje.

Dlaczego kalibracja ma znaczenie

Niekalibrowana kamera nie jest urządzeniem pomiarowym. Rozważmy, co się dzieje, gdy kamera inspekcji nawierzchni z szerokokątnym obiektywem rejestruje obraz powierzchni drogi. Dystorsja beczkowata ściąga piksele w pobliżu krawędzi obrazu do wewnątrz o dziesiątki pikseli. Bez modelu dystorsji spękanie o szerokości 0,3 mm na krawędzi obrazu może wyglądać jak cecha o szerokości 0,2 mm lub 0,4 mm — lub być całkowicie niewidoczne. Punkt główny może być przesunięty względem środka obrazu o 5–15 pikseli z powodu tolerancji produkcyjnych. Ogniskowa, często przyjmowana z danych obiektywu, może różnić się od wartości nominalnej o 2–5%.

Te pozornie małe błędy kumulują się katastrofalnie w pomiarach. Błąd ogniskowej rzędu 1% przekłada się na 1% błąd wszystkich wyznaczonych odległości. Przesunięcie punktu głównego o 10 pikseli przy naziemnym rozmiarze piksela (GSD) 1 mm/piksel wprowadza systematyczne przesunięcie 10 mm we wszystkich pomiarach. Dystorsja 5 pikseli na krawędzi obrazu przekłada się na 5 mm błędu w odpowiednim punkcie terenu.

Macierz wewnętrzna K

Macierz wewnętrzna K koduje wewnętrzne właściwości geometryczne kamery. Jest to górnotrójkątna macierz 3×3, która odwzorowuje trójwymiarowe współrzędne w układzie kamery na dwuwymiarowe współrzędne pikselowe:

    [ fx   s   cx ]
K = [  0   fy  cy ]
    [  0    0   1 ]

Ogniskowa (fx, fy)

Parametry ogniskowej fx i fy reprezentują odległość od środka kamery do płaszczyzny obrazu, wyrażoną w pikselach. W idealnej kamerze fx = fy. Różnice wynikają z niekwadratowych pikseli, tolerancji produkcyjnych sensora oraz anamorficznych elementów obiektywu.

Konwersja między jednostkami pikselowymi a fizycznymi: Ogniskową w milimetrach F można obliczyć z ogniskowej pikselowej jako Fx = fx × (W/w), gdzie W to szerokość sensora w mm, a w to szerokość obrazu w pikselach. Dla kamery 24 MP z obiektywem 24 mm, rozmiarem piksela 6 μm (6000 × 4000 pikseli na sensorze 36 × 24 mm), ogniskowa w pikselach wynosi około 4000 pikseli.

Punkt główny (cx, cy)

Punkt główny to przecięcie osi optycznej z matrycą światłoczułą — punkt w obrazie, w którym oś optyczna kamery przebija płaszczyznę obrazu. W idealnej kamerze znajduje się w geometrycznym środku sensora: cx = w/2, cy = h/2. W rzeczywistych kamerach tolerancje produkcyjne przesuwają go o 1–15 pikseli od środka. Dla przykładu 24 MP, cx ≈ 3000 pikseli, cy ≈ 2000 pikseli.

Punkt główny służy jako początek obliczeń dystorsji obiektywu — przesunięcia dystorsji mierzone są radialnie od tego punktu. Błędnie zidentyfikowany punkt główny powoduje, że korekcja dystorsji jest stosowana wokół niewłaściwego środka, wprowadzając systematyczne błędy, które rosną wraz z odległością od rzeczywistego punktu głównego.

Współczynnik skośności (s)

Współczynnik skośności s uwzględnia nieprostokątne piksele — zniekształcenie ścinające w płaszczyźnie obrazu. W nowoczesnych kamerach cyfrowych z ortogonalnymi siatkami sensorów i prostokątnymi pikselami, skośność jest praktycznie zerowa (s = 0). Historyczne kamery analogowe i niektóre systemy skanujące mogą wykazywać niezerową skośność, ale praktycznie dla wszystkich cyfrowych kamer inspekcyjnych można przyjąć skośność równą zero.

Modele dystorsji obiektywu

Dystorsja obiektywu to systematyczne odchylenie rzeczywistej geometrii obiektywu od idealnego rzutowania otworkowego. Międzynarodowe Towarzystwo Fotogrametrii i Teledetekcji (ISPRS) oraz społeczność wizji komputerowej ujednoliciły model Brown-Conrady jako podstawowe ramy matematyczne do opisu dystorsji obiektywu.

Dystorsja radialna (k1, k2, k3)

Dystorsja radialna przesuwa punkty obrazu wzdłuż linii radialnych wychodzących z punktu głównego. Jest spowodowana sferycznym kształtem elementów obiektywu — promienie świetlne przechodzące przez peryferie soczewki sferycznej są załamywane inaczej niż promienie przechodzące przez jej środek. Dystorsja jest modelowana jako wielomianowa funkcja odległości radialnej r od punktu głównego:

x_undistorted = x × (1 + k₁r² + k₂r⁴ + k₃r⁶) y_undistorted = y × (1 + k₁r² + k₂r⁴ + k₃r⁶)

Gdzie (x, y) to znormalizowane współrzędne obrazu względem punktu głównego, a r² = x² + y². Współczynnik k1 dominuje nad wielkością dystorsji, a k2 i k3 zapewniają coraz subtelniejsze korekcje wyższego rzędu. Ujemne k1 daje dystorsję beczkowatą (punkty przesunięte do wewnątrz, obraz wydaje się wypukły), podczas gdy dodatnie k1 daje dystorsję poduszkowatą (punkty przesunięte na zewnątrz, obraz wydaje się ściśnięty).

Dla typowego szerokokątnego obiektywu używanego w inspekcjach dronowych (k1 ≈ -0,1), radialne przesunięcie w narożniku obrazu sięga 40–100 pikseli, co odpowiada 4–10 cm błędu pomiarowego przy GSD 1 mm.

Dystorsja styczna (p1, p2)

Dystorsja styczna (decentrująca) wynika z niedoskonałego ustawienia poszczególnych elementów obiektywu w soczewkach złożonych — środki optyczne kolejnych elementów nie są idealnie współliniowe. Model Brown-Conrady koryguje dystorsję styczną za pomocą dwóch parametrów:

x_undistorted = x + [2p₁xy + p₂(r² + 2x²)] y_undistorted = y + [p₁(r² + 2y²) + 2p₂xy]

Dystorsja styczna jest zazwyczaj o jeden do dwóch rzędów wielkości mniejsza niż dystorsja radialna dla obiektywów dobrej jakości. Dla większości kamer inspekcji infrastruktury p1 i p2 są rzędu 10⁻⁴ do 10⁻⁵, powodując przesunięcia 0,1–0,5 piksela w narożnikach obrazu. Jednak w przypadku obiektywów uszkodzonych fizycznie lub źle zmontowanych, dystorsja styczna może przekraczać 5–10 pikseli, znacząco pogarszając dokładność pomiarów.

Pełny model Brown-Conrady

Duane C. Brown (1966, 1971) i A. E. Conrady (1919) opracowali kompletny model dystorsji, który jest standardem zarówno w fotogrametrii, jak i wizji komputerowej. Pełny model łączy składową radialną i styczną w jedną korekcję stosowaną do każdego punktu obrazu. Sformułowanie fotogrametryczne różni się nieco od sformułowania wizji komputerowej: fotogrametria koryguje od współrzędnych dystorsowanych do idealnych jako funkcję współrzędnych dystorsowanych, podczas gdy wizja komputerowa kompensuje od idealnych do dystorsowanych jako funkcję współrzędnych idealnych. To rozróżnienie jest kluczowe przy przenoszeniu parametrów kalibracji między oprogramowaniem fotogrametrycznym (np. Agisoft Metashape) a wizji komputerowej (np. OpenCV).

Model rybie oko

Dla obiektywów o szerokim polu widzenia (≥ 90° pola widzenia) standardowy model Brown-Conrady staje się niewystarczający, ponieważ rozwinięcie wielomianowe rozbiega się przy dużych odległościach radialnych. Model rybie oko używa innej funkcji rzutowania opartej na kącie θ padającego promienia:

θ_d = θ(1 + k₁θ² + k₂θ⁴ + k₃θ⁶ + k₄θ⁸)

Gdzie r = tan(θ) dla standardowego modelu otworkowego, ale r = θ (rzutowanie równoodległościowe) dla modelu rybie oko. Kalibracja rybie oko wymaga zazwyczaj 4 parametrów radialnych (k1–k4) i nie wymaga parametrów stycznych. Wiele konsumenckich kamer dronowych z szerokokątnymi obiektywami korzysta z kalibracji rybie oko, choć model Brown-Conrady jest wystarczający dla obiektywów normalnych i umiarkowanie szerokokątnych (< 90° pola widzenia).

Metody kalibracji

Trzy główne metody dominują w praktyce kalibracji kamer, każda o odmiennych charakterystykach dokładności, wymaganiach sprzętowych i implikacjach dla przepływu pracy.

Metoda szachownicy Zhanga

Artykuł Zhengyou Zhanga z 2000 roku “A Flexible New Technique for Camera Calibration” (IEEE Transactions on PAMI, cytowany ponad 23 000 razy) wprowadził metodę, która stała się de facto standardem kalibracji kamer. Metoda Zhanga wymaga jedynie płaskiego wzoru szachownicy wydrukowanego na płaskiej powierzchni — bez drogiego trójwymiarowego pola testowego ani precyzyjnego stołu optycznego.

Podstawy matematyczne: Metoda wykorzystuje homografię H między płaskim wzorem kalibracyjnym (Z=0 we współrzędnych świata) a jego rzutem obrazowym. Dla każdego obrazu szachownicy homografia jest obliczana ze znanych pozycji narożników i ich wykrytych współrzędnych obrazowych. Homografia dostarcza dwóch ograniczeń na parametry wewnętrzne poprzez stożek absolutny:

h₁ᵀ(A⁻ᵀA⁻¹)h₂ = 0 h₁ᵀ(A⁻ᵀA⁻¹)h₁ = h₂ᵀ(A⁻ᵀA⁻¹)h₂

Ograniczenia te wynikają z faktu, że kolumny macierzy obrotu r1 i r2 są ortonormalne. Dla n obrazów dostępnych jest 2n równań, a macierz wewnętrzna A (równoważna K) ma 5 nieznanych parametrów (fx, fy, cx, cy, s). Minimum 3 obrazy dostarczają 6 równań dla rozwiązania analitycznego.

Proces rozwiązania: Rozwiązanie analityczne jest obliczane, a następnie udokładniane poprzez estymację największej wiarygodności z użyciem algorytmu Levenberga-Marquardta. Udokładnianie minimalizuje całkowity błąd reprojekcji:

min Σᵢⱼ ||pᵢⱼ - p̂(K, Rᵢ, tᵢ, Pⱼ)||²

gdzie pᵢⱼ to wykryty narożnik j w obrazie i, a p̂ to rzutowany narożnik z modelu. Parametry dystorsji radialnej (k1, k2) są zazwyczaj dodawane do optymalizacji w drugim etapie.

Wymagania dotyczące wzoru: Dla wiarygodnych wyników szachownica musi spełniać: płaskość < 0,1 mm, rozmiar wzoru 7×10 do 9×12 narożników, wielkość kwadratu 10–30 mm oraz 10–20 obrazów przy zróżnicowanych orientacjach. Obrazy muszą pokrywać wszystkie ćwiartki sensora, w tym narożniki i krawędzie, ponieważ model dystorsji jest słabo ograniczony bez danych z narożników.

Konfiguracje zdegenerowane: Metoda zawodzi, jeśli wzór podlega czystej translacji (brak obrotu między obrazami) lub jeśli wszystkie obrazy są rejestrowane ze wzorem równoległym do płaszczyzny obrazu. Dlatego kalibracja wymaga przechylania i obracania szachownicy między ujęciami.

Kalibracja trójwymiarowym polem testowym

Przed metodą Zhanga kalibrację przeprowadzano z użyciem precyzyjnie pomierzonych trójwymiarowych pól testowych — zestawów celów o znanych współrzędnych zajmujących określoną objętość. Kamera fotografuje pole testowe z wielu pozycji, a znane korespondencje 3D–2D bezpośrednio ograniczają wszystkie parametry kalibracji. Metoda ta osiąga najwyższą dokładność (< 0,1 piksela RMS), ale wymaga drogiego sprzętu geodezyjnego, przestrzeni fizycznej i konserwacji. Pozostaje złotym standardem w zastosowaniach metrologicznych, gdzie wymagana jest maksymalna dokładność, a budżet na to pozwala.

Samokalibracja w wyrównaniu wiązki

Samokalibracja (kalibracja w trakcie pracy) estymuje parametry kamery jednocześnie z rekonstrukcją 3D podczas wyrównania wiązki. To podejście jest kluczowe w nowoczesnych procesach Structure from Motion (SfM), w tym Agisoft Metashape, Pix4Dmapper, COLMAP i RealityCapture.

Jak to działa: Proces wykrywa tysiące punktów wiążących na nakładających się obrazach przy użyciu detektorów cech (SIFT, AKAZE, SuperPoint). Wstępny model kamery jest inicjowany z danych EXIF. Wyrównanie wiązki następnie jednocześnie udokładnia parametry wewnętrzne kamery (K, współczynniki dystorsji), parametry zewnętrzne (R, t dla każdego obrazu) oraz współrzędne punktów 3D (Xⱼ) poprzez minimalizację całkowitego błędu reprojekcji we wszystkich obserwacjach.

Krytyczne wymagania: Samokalibracja wymaga obrazów zbieżnych (nierównoległe osie optyczne), ortogonalnych kątów obrotu, pełnego pokrycia obrazu (zwłaszcza krawędzi i narożników), a dla płaskiego terenu — obrazów skośnych pod kątem 20–45° od nadiru. Bez tych warunków problem estymacji jest źle postawiony — parametry dystorsji radialnej stają się silnie skorelowane z wysokością, powodując efekt kopuły.

Prekalibracja a kalibracja w trakcie pracy

Podstawową decyzją w projektowaniu fotogrametrycznego przepływu pracy jest wybór między prekalibracją kamery w kontrolowanym środowisku a poleganiem na samokalibracji w trakcie pracy.

Dla prostokątnych bloków wyłącznie nadir typowych dla inspekcji infrastruktury, prekalibracja zapewnia dokładniejsze wyniki, ponieważ geometria bloku jest niewystarczająca do dekorelacji parametrów dystorsji od wysokości. Różnica w dokładności znacząco maleje, gdy odpowiednia liczba punktów osnowy (GCP) jest rozmieszczona na granicach i w środkach bloku. Optymalne podejście łączy obie metody: prekalibruj kamerę w laboratorium przy użyciu metody Zhanga, a następnie pozwól na udokładnienie samokalibracji w procesie SfM tylko wtedy, gdy blok zawiera obrazy skośne (≥10% obrazów pod kątem 20–45°).

Stabilność kalibracji w czasie

Parametry kalibracji kamery nie są trwałe. Efekty termiczne, szoki mechaniczne i starzenie powodują ich dryf.

Efekty termiczne

Zmiany temperatury powodują mierzalny dryf geometryczny w kamerach konsumenckich. Badania opublikowane w MDPI Sensors (2017) wykazały dryf ogniskowej rzędu 0,01–0,05% na °C. Dla ogniskowej 4000 pikseli przekłada się to na 0,4–2,0 piksela na każde 10°C zmiany. Przesunięcia punktu głównego rzędu 0,1–0,5 piksela na °C są typowe, a dominujący współczynnik dystorsji radialnej k₁ może zmieniać się o 1–5% w zakresie 30°C. Dron startujący w temperaturze 25°C i wznoszący się na wysokość roboczą, gdzie temperatura wynosi 10°C, doświadcza zmiany o 15°C, powodując dryf ogniskowej odpowiadający 6–30 pikseli, czyli 1,5–7,5 mm błędu pomiarowego przy GSD 1 mm. Dokładność fotogrametryczna poprawia się 2–4×, gdy efekty termiczne są modelowane i kompensowane.

Szoki mechaniczne

Kamery klasy konsumenckiej są geometrycznie delikatne. Upuszczenie kamery może przesunąć punkt główny o 1–10 pikseli. Demontaż i ponowny montaż wymiennych obiektywów może zmienić odległość oprawkową, przesuwając punkt główny o 2–5 pikseli. Mechanizmy autofokusa zmieniają odległość główną przy każdej operacji ostrzenia. Stabilizacja obrazu przez przesuw sensora lub obiektywu wprowadza zmienne przesunięcia geometryczne i musi być wyłączona do zastosowań fotogrametrycznych.

Częstotliwość przekalibrowania

Wpływ niekalibrowanych kamer na pomiary

Niekalibrowana kamera wprowadza systematyczne błędy do każdego wyznaczonego pomiaru. Zrozumienie propagacji tych błędów jest niezbędne do projektowania procedur inspekcyjnych spełniających wymagania dokładnościowe.

Efekt kopuły

Efekt kopuły jest najbardziej podstępną konsekwencją niewystarczającej kalibracji w fotogrametrii lotniczej. Objawia się jako systematyczny błąd wysokości, w którym środek rekonstruowanej powierzchni jest podniesiony względem krawędzi (wypuklenie) lub obniżony względem krawędzi (wklęśnięcie). Mechanizm przyczynowy to silna korelacja między dystorsją radialną (zwłaszcza k₁) a wysokością w obrazach wyłącznie nadir — wyrównanie wiązki błędnie absorbuje dystorsję radialną w zmiany wysokości, tworząc gładką, systematyczną powierzchnię błędu, która wygląda realistycznie, ale jest geometrycznie błędna. Wielkość: 0,1–0,5% wysokości lotu (10–50 cm na wysokości 100 m, 1–5 cm na wysokości 20 m). Strategie ograniczania obejmują włączanie obrazów skośnych pod kątem 20–45° od nadiru (co najmniej 10% zdjęć w bloku), rozmieszczanie GCP na granicach i w środku bloku, wykonywanie pasów krzyżowych (podwójna siatka) oraz używanie stacji kamer wspomaganych GNSS.

Kalibracja dla fotogrametrii bliskiego zasięgu

Fotogrametria bliskiego zasięgu (odległości kamera-obiekt < 300 m) korzysta z silnie zbieżnych sieci kamer, w których kamera jest skierowana na ten sam obszar sceny z wielu kierunków. Idealna sieć kalibracyjna wykorzystuje obrazy zbieżne z różnicą kątów 60–120°, kamery obrócone we wszystkich czterech ćwiartkach (0°, 90°, 180°, 270°) oraz obrazy wypełniające wszystkie narożniki i krawędzie sensora.

Cele kodowane — okrągłe znaczniki retrorefleksyjne z unikalnymi wzorami identyfikacyjnymi — zapewniają automatyczną identyfikację, submikselową dokładność pomiaru (środek ciężkości 0,01–0,05 piksela) oraz automatyczną korespondencję. Kalibracja bliskiego zasięgu z celami kodowanymi konsekwentnie osiąga RMS błędu reprojekcji poniżej 0,1 piksela i stosunki dokładności w przestrzeni obiektu od 1:50 000 do 1:200 000 (stosunek rozmiaru obiektu do dokładności pomiaru).

Kalibracja dla kamer dronowych/UAV

Fotogrametria dronowa zajmuje trudną pozycję pośrednią, gdzie kamery klasy konsumenckiej (zapożyczające wyzwania z kalibracji bliskiego zasięgu) spotykają się z geometrią bloku lotniczego (zapożyczającą ograniczenia z fotogrametrii lotniczej). Unikalne wyzwania obejmują niestabilność mechaniczną po twardych lądowaniach i szokach gimbala, autofokus zmieniający odległość główną w locie, gradienty temperatury 10–40°C między ziemią a wysokością oraz migawkę szczelinową CMOS wprowadzającą zniekształcenia geometryczne.

Zalecane konfiguracje lotu

Badania Roncella i Forlani (Sensors, 2021) wykazały, że różnica w dokładności między optymalną a słabą konfiguracją kalibracji może sięgać niemal rzędu wielkości dla bloków UAV. Samokalibracja z obrazami skośnymi (≥10% zdjęć w bloku pod kątem 20–45°) w połączeniu z wzorem lotu podwójnej siatki redukuje efekt kopuły z 0,1–0,5% wysokości lotu do < 0,01%.

Ocena jakości kalibracji

Kalibracja jest tylko tak dobra, jak jej ocena jakości. Należy ocenić wiele uzupełniających się wskaźników, aby określić, czy kalibracja nadaje się do zamierzonego celu.

Błąd reprojekcji

RMS błędu reprojekcji (RPE) jest najczęściej raportowanym wskaźnikiem jakości kalibracji. Mierzy różnicę 2D w pikselach między wykrytymi cechami obrazu a ich pozycjami obliczonymi z modelu kamery i współrzędnych 3D: RPE = √(1/n × Σ||xᵢ - x̂ᵢ||²).

Krytyczne zastrzeżenie: RPE jest błędem treningowym. Mierzy, jak dobrze model dopasowuje się do danych użytych do jego estymacji. Niski RPE nie gwarantuje dobrej kalibracji z powodu ryzyka przeuczenia (zbyt wiele parametrów w stosunku do dostępnych ograniczeń). Zawsze waliduj przy użyciu niezależnych punktów kontrolnych zmierzonych w obrazach kalibracyjnych, ale nieużytych w estymacji parametrów.

Analiza wariancyjno-kowariancyjna

Macierz wariancyjno-kowariancyjna Cx = σ₀² × (JᵀJ)⁻¹ dostarcza niezbędnych informacji o niepewności, gdzie σ₀² to aposterioryczny współczynnik wariancji, a J to macierz Jacobiego. Odchylenie standardowe każdego parametru to pierwiastek kwadratowy odpowiedniego elementu diagonalnego. Istotność parametru ocenia się za pomocą statystyki t = |pᵢ| / σ(pᵢ): t > 2,0 oznacza istotność przy 95% poziomie ufności.

Monitorowanie korelacji

Najważniejszą korelacją do monitorowania jest korelacja między ogniskową (fx) a dystorsją radialną (k₁):

Korelacje powyżej 0,9 między fx i k₁ wskazują, że blok obrazów nie zawiera widoków skośnych, a samokalibracja da niewiarygodne wyniki. Wymagana jest prekalibracja lub dodatkowe obrazy skośne.

Wytyczne USGS

Raport USGS Open-File Report 2023-1033 wymaga, aby wszystkie parametry kalibracji i ich niepewności były raportowane jako metadane, metoda kalibracji i data były udokumentowane, środowisko kalibracji (temperatura, wilgotność) było rejestrowane, wskaźniki walidacji (RPE, residua punktów kontrolnych) były dostarczone, a historia przekalibrowań była przechowywana.

Kalibracja w inspekcji infrastruktury i pomiarze spękań

Inspekcja infrastruktury — w szczególności pomiar spękań nawierzchni — stawia rygorystyczne wymagania kalibracji kamery. Spękania o szerokości zaledwie 0,1 mm muszą być niezawodnie wykrywane i mierzone, co wymaga submilimetrowej dokładności pomiaru na dużych powierzchniach.

Parametry kamery inspekcji nawierzchni (badanie ISPRS 2025)

Ostatnie badanie ISPRS dotyczące inspekcji nawierzchni (Darwish & Ahmed, 2025) wykorzystujące system kamer montowanych na pojeździe na wysokości 2,237 m podało następujące parametry kalibracji:

Wpływ na pomiar spękań

Niekalibrowane kamery wprowadzają systematyczne błędy, które bezpośrednio wpływają na pomiar spękań. Niekorygowana dystorsja beczkowata rzędu 5 pikseli na krawędziach obrazu przekłada się na 5 mm błędu przy GSD 1 mm — wystarczająco, aby całkowicie zamaskować submilimetrowe spękania lub zawyżyć szerokość rys włoskowatych o 200–500%. Błędy punktu głównego rzędu 10 pikseli wprowadzają 10 mm boczne przesunięcia lokalizacji spękania. Błędy ogniskowej rzędu 2% powodują błędy skalowania pomiarów szerokości spękań o 2%.

Kalibracja umożliwia trzy kluczowe transformacje dla inspekcji nawierzchni: korekcję dystorsji obiektywu (usunięcie dystorsji beczkowatej/poduszkowatej, która w przeciwnym razie zniekształcałaby geometrię spękań na krawędziach obrazu), projekcję ortogonalną (konwersja obrazów perspektywicznych na widoki z lotu ptaka, gdzie możliwe są rzeczywiste pomiary metryczne) oraz skalowanie metryczne (ustalenie precyzyjnej zależności między pikselami a milimetrami na powierzchni drogi).

Podsumowanie i najlepsze praktyki

Kalibracja kamery jest fundamentem wszystkich pomiarów fotogrametrycznych. Bez niej obrazy są zapisami jakościowymi, a nie danymi ilościowymi. Przy odpowiedniej kalibracji submilimetrowa dokładność pomiaru jest osiągalna nawet przy użyciu kamer klasy konsumenckiej.

Kluczowe wnioski

1. Każda kombinacja kamera-obiektyw ma unikalne parametry kalibracji — nigdy nie zakładaj parametrów z tego samego modelu lub innego egzemplarza.
2. Parametry kalibracji dryfują w czasie — efekty termiczne (~0,01–0,05% na °C), szoki mechaniczne i starzenie pogarszają ważność kalibracji.
3. Samokalibracja nie jest srebrną kulą — bez obrazów skośnych (20–45°) korelacja między fx a k₁ powoduje błędy efektu kopuły rzędu 0,1–0,5% wysokości lotu.
4. Prekalibracja + udokładnienie samokalibracji to optymalne podejście — kalibracja laboratoryjna zapewnia solidne wartości początkowe; udokładnienie w trakcie pracy dostosowuje się do warunków terenowych.
5. Ocena jakości wymaga wielu wskaźników — sam RMS błędu reprojekcji jest niewystarczający; niezbędne są analiza wariancyjno-kowariancyjna, testowanie istotności parametrów i walidacja niezależnymi punktami kontrolnymi.
6. Dla inspekcji nawierzchni kalibracja umożliwia dokładność σ = ±1,0 mm, jak wykazało badanie ISPRS 2025.
7. Dokumentuj wszystko — parametry kalibracji, niepewności, metodę, datę i warunki środowiskowe powinny być zachowane jako metadane dla każdego zestawu danych inspekcyjnych.

Lista kontrolna najlepszych praktyk

• Kalibruj każdą kombinację kamera-obiektyw indywidualnie
• Użyj 15–20 obrazów szachownicy pokrywających wszystkie ćwiartki sensora
• Zweryfikuj płaskość planszy < 0,1 mm
• Zablokuj pierścienie zoomu i ostrości, wyłącz autofokus i stabilizację obrazu
• Prekalibruj przed użyciem w terenie
• Zezwalaj na udokładnienie samokalibracji w SfM tylko z obrazami skośnymi (≥10% pod kątem 20–45°)
• Włącz pasy krzyżowe (podwójna siatka) dla bloków UAV
• Rozmieść GCP na granicach i w środku bloku
• Monitoruj korelację fx–k₁ — przerwij samokalibrację, jeśli ρ > 0,95
• Przekalibruj po twardych lądowaniach, zmianach obiektywu i co 6 miesięcy
• Zaaklimatyzuj kamerę do temperatury roboczej przed kalibracją
• Zweryfikuj kalibrację za pomocą niezależnych punktów kontrolnych
• Raportuj wszystkie parametry kalibracji z niepewnościami jako metadane
• Dla inspekcji nawierzchni: zweryfikuj kalibrację na pomierzonym odcinku testowym

Referencje

• Zhang, Z. (2000). A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(11), 1330-1334.
• Brown, D. C. (1971). Close-range camera calibration. Photogrammetric Engineering, 37(8), 855-866.
• Conrady, A. E. (1919). Decentered lens systems. Monthly Notices of the Royal Astronomical Society, 79, 384-390.
• Roncella, R. & Forlani, G. (2021). UAV block geometry design and camera calibration: A simulation study. Sensors, 21(18), 6090.
• Lin, K. Y. et al. (2022). Interpretation and transformation of intrinsic camera parameters used in photogrammetry and computer vision. Sensors, 22(24), 9602.
• Darwish, W. & Ahmed, W. (2025). A simplified Gaussian approach for asphalt crack detection based on deep learning and RGB images. ISPRS Archives, XLVIII-G-2025, 345-352.
• USGS (2023). Guidelines for calibration of uncrewed aircraft systems imagery. Open-File Report 2023-1033.
• Hartley, R. & Zisserman, A. (2004). Multiple View Geometry in Computer Vision. Cambridge University Press, 2nd ed.