Kalibrácia kamery

Čo je kalibrácia kamery?

Kalibrácia kamery je proces určenia geometrických parametrov, ktoré definujú, ako kamera mapuje 3D súradnice sveta na 2D súradnice obrazu. Odpovedá na zdanlivo jednoduchú otázku: daný bod v reálnom svete (x, y, z) — na ktorý pixel (u, v) v obraze sa mapuje a s akou matematickou presnosťou?

Vo svojej podstate kalibrácia existuje, pretože kamery sú nedokonalé implementácie ideálneho modelu dierky (pinhole model). Každý reálny systém kamery a objektívu sa odchyľuje od dokonalosti spôsobmi, ktoré musia byť charakterizované a opravené skôr, než môže byť kamera použitá ako merací nástroj. Bez kalibrácie každá vzdialenosť, plocha a objem odvodené z obrazov nesú nekvanifikovanú systematickú chybu — presne to, čo odlišuje fotogrametriu od bežnej fotografie.

Model dierky (Pinhole Camera Model)

Model dierky je matematický základ, na ktorom je postavená celá kalibrácia kamery. Opisuje ideálnu projektívnu transformáciu z 3D súradníc sveta na 2D súradnice obrazu cez jediný bod — stred projekcie (stred kamery). Model predpokladá, že svetlo sa šíri v priamkach cez nekonečne malý otvor, že neexistuje žiadny objektív a že obrazová rovina je dokonale rovinná a ortogonálna k optickej osi.

V rámci modelu dierky sa 3D bod X = [X, Y, Z, 1]ᵀ v súradniciach sveta mapuje na obrazový bod x = [u, v, 1]ᵀ pomocou projekčnej rovnice λx = K[R|t]X, kde λ je faktor mierky (projektívna hĺbka), K je 3×3 matica vnútorných parametrov kamery a [R|t] je 3×4 matica vonkajších parametrov reprezentujúca rotáciu a transláciu zo svetových do kamerových súradníc. Reálne objektívy zavádzajú systematické odchýlky od tohto ideálneho modelu — odchýlky, ktoré kalibrácia kvantifikuje a koriguje.

Prečo kalibrácia záleží

Nekalibrovaná kamera nie je meracie zariadenie. Zvážte, čo sa stane, keď kamera na kontrolu vozoviek so širokouhlým objektívom zachytí obraz povrchu cesty. Súdkovité skreslenie (barrel distortion) posúva pixely blízko okrajov obrazu dovnútra o desiatky pixelov. Bez modelu skreslenia by sa 0,3 mm trhlina na okraji obrazu mohla javiť ako prvok s veľkosťou 0,2 mm alebo 0,4 mm — alebo byť úplne neviditeľná. Hlavný bod (principal point) môže byť posunutý od stredu obrazu o 5–15 pixelov v dôsledku výrobných tolerancií. Ohnisková vzdialenosť, často prevzatá z špecifikácie objektívu, sa môže líšiť o 2–5 % od nominálnej hodnoty.

Tieto zdanlivo malé chyby sa v meraní katastrofálne kumulujú. 1 % chyba v ohniskovej vzdialenosti sa premieta do 1 % chyby vo všetkých odvodených vzdialenostiach. Posun hlavného bodu o 10 pixelov pri vzdialenosti vzorkovania na zemi (GSD) 1 mm/pixel zavádza systematický posun 10 mm vo všetkých meraniach. Skreslenie 5 pixelov na okraji obrazu sa premieta do 5 mm chyby na zodpovedajúcom mieste na zemi.

Matica vnútorných parametrov K

Matica vnútorných parametrov K kóduje vnútorné geometrické vlastnosti kamery. Je to 3×3 horná trojuholníková matica, ktorá mapuje 3D kamerovo-centrické súradnice na 2D súradnice pixelov:

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

Ohnisková vzdialenosť (fx, fy)

Parametre ohniskovej vzdialenosti fx a fy predstavujú vzdialenosť od stredu kamery k obrazovej rovine, vyjadrenú v pixeloch. V ideálnej kamere platí fx = fy. Rozdiely vznikajú z nesvorcových pixelov, výrobných tolerancií snímača a anamorfických prvkov objektívu.

Prevod medzi pixelovými a fyzikálnymi jednotkami: Ohniskovú vzdialenosť v milimetroch F možno vypočítať z ohniskovej vzdialenosti v pixeloch ako Fx = fx × (W/w), kde W je šírka snímača v mm a w je šírka obrazu v pixeloch. Pre 24 MP kameru s 24 mm objektívom, rozstupom pixelov 6 μm (6000 × 4000 pixelov na snímači 36 × 24 mm) je ohnisková vzdialenosť v pixeloch približne 4000 pixelov.

Hlavný bod (cx, cy)

Hlavný bod je priesečník optickej osi s obrazovým snímačom — bod v obraze, kde optická os kamery prepichuje obrazovú rovinu. V ideálnej kamere sa nachádza v geometrickom strede snímača: cx = w/2, cy = h/2. V reálnych kamerách ho výrobné tolerancie posúvajú o 1–15 pixelov od stredu. Pre príklad 24 MP: cx ≈ 3000 pixelov, cy ≈ 2000 pixelov.

Hlavný bod slúži ako počiatok pre výpočty skreslenia objektívu — posuny spôsobené skreslením sa merajú radiálne od tohto bodu. Nesprávne identifikovaný hlavný bod spôsobuje, že korekcia skreslenia je aplikovaná okolo nesprávneho stredu, čím vznikajú systematické chyby narastajúce so vzdialenosťou od skutočného hlavného bodu.

Koeficient skosenia (s)

Koeficient skosenia s zohľadňuje neobdĺžnikové pixely — šmykové skreslenie v obrazovej rovine. V moderných digitálnych kamerách s ortogonálnymi mriežkami snímača a obdĺžnikovými pixelmi je skosenie efektívne nulové (s = 0). Historické analógové kamery a niektoré skenovacie systémy mohli vykazovať nenulové skosenie, ale pri prakticky všetkých digitálnych kontrolných kamerách možno skosenie považovať za nulové.

Modely skreslenia objektívu

Skreslenie objektívu je systematická odchýlka geometrie reálneho objektívu od ideálnej projekcie modelu dierky. Medzinárodná spoločnosť pre fotogrametriu a diaľkový prieskum (ISPRS) a komunita počítačového videnia štandardizovali Brown-Conrady model ako primárny matematický rámec na opis skreslenia objektívu.

Radiálne skreslenie (k1, k2, k3)

Radiálne skreslenie posúva obrazové body pozdĺž radiálnych línií vychádzajúcich z hlavného bodu. Je spôsobené guľovým tvarom prvkov objektívu — lúče svetla prechádzajúce perifériou guľovej šošovky sa lámu inak ako lúče prechádzajúce stredom. Skreslenie je modelované ako polynomiálna funkcia radiálnej vzdialenosti r od hlavného bodu:

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

Kde (x, y) sú normalizované súradnice obrazu voči hlavnému bodu a r² = x² + y². Koeficient k1 dominuje veľkosti skreslenia, pričom k2 a k3 poskytujú čoraz jemnejšie korekcie vyššieho rádu. Záporné k1 vytvára súdkovité skreslenie (body posunuté dovnútra, obraz vyzerá vypuklo), zatiaľ čo kladné k1 vytvára poduškovité skreslenie (body posunuté von, obraz vyzerá stlačený).

Pre typický širokouhlý objektív používaný pri dronovej inšpekcii (k1 ≈ -0,1) dosahuje radiálny posun v rohu obrazu 40–100 pixelov, čo zodpovedá 4–10 cm chyby merania pri GSD 1 mm.

Tangenciálne skreslenie (p1, p2)

Tangenciálne (decentrické) skreslenie vzniká z nedokonalého vyrovnania jednotlivých prvkov objektívu v zložených šošovkách — optické stredy po sebe nasledujúcich prvkov nie sú dokonale kolineárne. Brown-Conrady model koriguje tangenciálne skreslenie pomocou dvoch parametrov:

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

Tangenciálne skreslenie je pri kvalitných objektívoch typicky o jeden až dva rády menšie ako radiálne skreslenie. Pri väčšine kamier na inšpekciu infraštruktúry sú p1 a p2 rádovo 10⁻⁴ až 10⁻⁵, čo vytvára posuny 0,1–0,5 pixelu v rohoch obrazu. Avšak pri objektívoch, ktoré boli fyzicky poškodené alebo zle zmontované, môže tangenciálne skreslenie presiahnuť 5–10 pixelov, čo výrazne znižuje presnosť merania.

Úplný Brown-Conrady model

Duane C. Brown (1966, 1971) a A. E. Conrady (1919) vyvinuli kompletný model skreslenia, ktorý je štandardom vo fotogrametrii aj počítačovom videní. Úplný model kombinuje radiálne a tangenciálne zložky do jedinej korekcie aplikovanej na každý obrazový bod. Fotogrametrická formulácia sa mierne líši od formulácie počítačového videnia: fotogrametria koriguje z deformovaných na ideálne súradnice ako funkciu deformovaných súradníc, zatiaľ čo počítačové videnie kompenzuje z ideálnych na deformované ako funkciu ideálnych súradníc. Tento rozdiel je kritický pri prenose kalibračných parametrov medzi fotogrametrickým (napr. Agisoft Metashape) a softvérom počítačového videnia (napr. OpenCV).

Rybie oko (Fisheye Model)

Pre objektívy so širokým zorným poľom (≥ 90° zorné pole) sa štandardný Brown-Conrady model stáva nedostatočným, pretože polynomiálny rozvoj diverguje pri veľkých radiálnych vzdialenostiach. Model rybieho oka používa inú projekčnú funkciu založenú na uhle θ dopadajúceho lúča:

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

Kde r = tan(θ) pre štandardný model dierky, ale r = θ (ekvidištantná projekcia) pre model rybieho oka. Kalibrácia rybieho oka typicky vyžaduje 4 radiálne parametre (k1–k4) a žiadne tangenciálne parametre. Mnohé spotrebiteľské dronové kamery so širokouhlými objektívmi profitujú z kalibrácie rybieho oka, hoci Brown-Conrady model je dostatočný pre normálne a mierne širokouhlé objektívy (< 90° zorné pole).

Metódy kalibrácie

Tri primárne metódy dominujú praxi kalibrácie kamery, pričom každá má odlišné charakteristiky presnosti, požiadavky na vybavenie a dôsledky na pracovný postup.

Zhangova šachovnicová metóda

Práca Zhengyoua Zhanga z roku 2000 “A Flexible New Technique for Camera Calibration” (IEEE Transactions on PAMI, citovaná 23 000+ krát) predstavila metódu, ktorá sa stala de facto štandardom pre kalibráciu kamery. Zhangova metóda vyžaduje iba rovinný šachovnicový vzor vytlačený na rovnom povrchu — žiadne drahé 3D testovacie pole ani presný optický stôl.

Matematický rámec: Metóda využíva homografiu H medzi rovinným kalibračným vzorom (Z=0 v svetových súradniciach) a jeho obrazovou projekciou. Pre každý obraz šachovnice sa homografia vypočíta zo známych polôh rohov a ich detegovaných obrazových súradníc. Homografia poskytuje dve obmedzenia na vnútorné parametre prostredníctvom absolútnej kužeľosečky:

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

Tieto obmedzenia vyplývajú zo skutočnosti, že stĺpce rotačnej matice r1 a r2 sú ortonormálne. Pri n obrazoch je k dispozícii 2n rovníc a matica vnútorných parametrov A (ekvivalent K) má 5 neznámych parametrov (fx, fy, cx, cy, s). Minimálne 3 obrazy poskytujú 6 rovníc pre riešenie v uzavretom tvare.

Proces riešenia: Riešenie v uzavretom tvare sa vypočíta analyticky, potom sa spresní pomocou odhadu maximálnej vierohodnosti s využitím Levenberg-Marquardtovho algoritmu. Spresnenie minimalizuje celkovú reprojekčnú chybu:

min Σᵢⱼ ||pᵢⱼ - p̂(K, Rᵢ, tᵢ, Pⱼ)||²

kde pᵢⱼ je detegovaný roh j v obraze i a p̂ je projektovaný roh z modelu. Parametre radiálneho skreslenia (k1, k2) sa typicky pridávajú do optimalizácie v druhej fáze.

Požiadavky na vzor: Pre spoľahlivé výsledky musí šachovnica spĺňať rovinnosť < 0,1 mm, veľkosť vzoru 7×10 až 9×12 rohov, veľkosť štvorca 10–30 mm a 10–20 obrazov pri rôznych orientáciách. Obrazy musia pokrývať všetky kvadranty snímača vrátane rohov a okrajov, pretože model skreslenia je bez údajov z rohov slabo ohraničený.

Degenerované konfigurácie: Metóda zlyhá, ak vzor prechádza čistou transláciou (bez rotácie medzi obrazmi) alebo ak sú všetky obrazy zachytené so vzorom rovnobežným s obrazovou rovinou. To je dôvod, prečo kalibrácia vyžaduje nakláňanie a otáčanie šachovnice medzi snímkami.

Kalibrácia pomocou 3D testovacieho poľa

Pred Zhangovou metódou sa kalibrácia vykonávala pomocou presne zameraných 3D testovacích polí — polí terčov so známymi súradnicami zaberajúcich definovaný objem. Kamera fotografuje testovacie pole z viacerých pozícií a známe 3D–2D korešpondencie priamo ohraničujú všetky kalibračné parametre. Táto metóda dosahuje najvyššiu presnosť (< 0,1 pixelu RMS), ale vyžaduje drahé geodetické vybavenie, fyzický priestor a údržbu. Zostáva zlatým štandardom pre metrologické aplikácie, kde sa vyžaduje maximálna presnosť a rozpočet to umožňuje.

Samokalibrácia v bundle adjustment

Samokalibrácia (kalibrácia priamo počas práce) odhaduje parametre kamery súčasne s 3D rekonštrukciou počas bundle adjustment. Tento prístup je ústredný pre moderné pipelines Structure from Motion (SfM) vrátane Agisoft Metashape, Pix4Dmapper, COLMAP a RealityCapture.

Ako to funguje: Pipeline deteguje tisíce spojovacích bodov (tie points) naprieč prekrývajúcimi sa obrazmi pomocou detektorov príznakov (SIFT, AKAZE, SuperPoint). Hrubý model kamery je inicializovaný z EXIF metadát. Bundle adjustment potom súčasne spresňuje vnútorné parametre kamery (K, koeficienty skreslenia), vonkajšie parametre kamery (R, t pre každý obraz) a súradnice 3D bodov (Xⱼ) minimalizáciou celkovej reprojekčnej chyby naprieč všetkými pozorovaniami.

Kritické požiadavky: Samokalibrácia vyžaduje konvergentné obrazy (nerovnobežné optické osi), ortogonálne uhly natočenia, plné pokrytie obrazu (najmä okraje a rohy) a pri rovinnom teréne šikmé snímky pod uhlom 20–45° od nadiru. Bez týchto podmienok je problém odhadu zle podmienený — parametre radiálneho skreslenia sa silne korelujú s nadmorskou výškou, čo vytvára kupolový efekt (dome effect).

Predkalibrácia vs. Kalibrácia počas prevádzky

Základným rozhodnutím pri návrhu fotogrametrického pracovného postupu je, či kalibrovať kameru v kontrolovanom prostredí vopred, alebo sa spoľahnúť na samočinnú kalibráciu počas prevádzky.

Pre pravouhlé nadir-only bloky typické pre inšpekciu infraštruktúry poskytuje predkalibrácia presnejšie výsledky, pretože geometria bloku nie je dostatočná na dekoreláciu parametrov skreslenia od výšky. Rozdiel v presnosti sa výrazne zmenšuje, keď sú adekvátne vzťažné body (GCP) rozmiestnené na okrajoch a v strede bloku. Optimálny prístup kombinuje obe metódy: predkalibrujte kameru v laboratórnom prostredí pomocou Zhangovej metódy a potom povoľte spresnenie samočinnej kalibrácie v SfM pipeline len vtedy, keď blok obsahuje šikmé zábery (≥10 % snímok s náklonom 20–45°).

Stabilita kalibrácie v čase

Parametre kalibrácie kamery nie sú trvalé. Teplotné vplyvy, mechanické nárazy a starnutie spôsobujú ich drift.

Teplotné vplyvy

Zmeny teploty spôsobujú merateľný geometrický drift pri spotrebiteľských kamerách. Výskum publikovaný v MDPI Sensors (2017) preukázal drift ohniskovej vzdialenosti 0,01–0,05 % na °C. Pri ohniskovej vzdialenosti 4000 pixelov to predstavuje 0,4–2,0 pixelov na zmenu o 10 °C. Posuny hlavného bodu o 0,1–0,5 pixelov na °C sú typické a dominantný koeficient radiálneho skreslenia k₁ sa môže meniť o 1–5 % v rozsahu 30 °C. Dron vzlietajúci pri 25 °C a stúpajúci do prevádzkovej výšky, kde je teplota 10 °C, zaznamená zmenu o 15 °C, čo spôsobí drift ohniskovej vzdialenosti zodpovedajúci 6–30 pixelom alebo 1,5–7,5 mm chyby merania pri GSD 1 mm. Fotogrametrická presnosť sa zlepšuje 2–4×, keď sú tepelné vplyvy modelované a kompenzované.

Mechanické nárazy

Spotrebiteľské kamery sú geometricky krehké. Pád kamery môže posunúť hlavný bod o 1–10 pixelov. Vybratie a opätovné nasadenie výmenných objektívov môže zmeniť prírubovú ohniskovú vzdialenosť, čím sa hlavný bod posunie o 2–5 pixelov. Automatické zaostrovacie mechanizmy menia hlavnú vzdialenosť pri každej operácii zaostrenia. Stabilizácia obrazu posunom senzora alebo objektívu vnáša premenlivé geometrické odchýlky a musí byť pre fotogrametrické použitie deaktivovaná.

Frekvencia prekalibrácie

Vplyv nekalibrovaných kamier na merania

Nekalibrovaná kamera vnáša systematické chyby do každého odvodeného merania. Pochopenie šírenia týchto chýb je nevyhnutné pre navrhovanie inšpekčných postupov, ktoré spĺňajú požiadavky na presnosť.

Efekt kupoly

Efekt kupoly je najzáludnejším dôsledkom nedostatočnej kalibrácie v leteckej fotogrametrii. Prejavuje sa ako systematická výšková chyba, pri ktorej je stred rekonštruovaného povrchu vyvýšený voči okrajom (vyklenutie) alebo znížený voči okrajom (preliačenie). Príčinným mechanizmom je silná korelácia medzi radiálnym skreslením (najmä k₁) a výškou v nadir-only snímkach — vyrovnanie zväzku nesprávne absorbuje radiálne skreslenie do výškových variácií, čím vytvára hladkú, systematickú chybovú plochu, ktorá vyzerá realisticky, ale je geometricky nesprávna. Veľkosť: 0,1–0,5 % výšky letu (10–50 cm vo výške 100 m, 1–5 cm vo výške 20 m). Stratégie zmiernenia zahŕňajú zahrnutie šikmých snímok s odklonom 20–45° od nadiru (aspoň 10 % snímok bloku), rozmiestnenie vzťažných bodov (GCP) na okrajoch a v strede bloku, lietanie krížových pásov (dvojitý grid) a používanie GNSS-asistovaných stanovísk kamery.

Kalibrácia pre blízku fotogrametriu

Blízka fotogrametria (vzdialenosti kamera–objekt < 300 m) profituje zo silne konvergentných sietí kamier, kde je kamera nasmerovaná na rovnakú oblasť scény z viacerých smerov. Ideálna kalibračná sieť používa konvergentné snímky s uhlovými rozdielmi 60–120°, kamery natočené do všetkých štyroch kvadrantov (0°, 90°, 180°, 270°) a snímky vyplňujúce všetky rohy a okraje senzora.

Kódované terče — kruhové retroreflexné značky s jedinečnými identifikačnými vzormi — poskytujú automatickú identifikáciu, presnosť merania na úrovni sub-pixelov (centroid 0,01–0,05 pixelu) a automatizovanú korešpondenciu. Blízka kalibrácia s kódovanými terčami konzistentne dosahuje RMS reprojekčné chyby pod 0,1 pixelu a pomery presnosti v objektovom priestore 1:50 000 až 1:200 000 (pomer veľkosti objektu k presnosti merania).

Kalibrácia pre drony/UAV kamery

Fotogrametria z dronov zaujíma náročný stredný priestor, kde sa spotrebiteľské kamery (preberajúce výzvy z blízkej kalibrácie) stretávajú s geometriou leteckého bloku (preberajúcej obmedzenia z leteckej fotogrametrie). Medzi jedinečné výzvy patrí mechanická nestabilita v dôsledku tvrdých pristátí a nárazov gimbalu, automatické zaostrovanie, ktoré počas letu mení hlavnú vzdialenosť, teplotné gradienty 10–40 °C medzi zemou a výškou a CMOS rolling shutter, ktorý vnáša geometrické skreslenie.

Odporúčané letové konfigurácie

Výskum Roncellu a Forlaniho (Sensors, 2021) ukázal, že rozdiel v presnosti medzi optimálnou a zlou kalibračnou konfiguráciou môže byť pre UAV bloky takmer rádovo. Samočinná kalibrácia so šikmými snímkami (≥10 % snímok bloku s náklonom 20–45°) v kombinácii s dvojitým grid letovým vzorom znižuje efekt kupoly z 0,1–0,5 % výšky letu na < 0,01 %.

Hodnotenie kvality kalibrácie

Kalibrácia je len taká dobrá, ako dobré je jej hodnotenie kvality. Na určenie, či je kalibrácia vhodná na daný účel, je potrebné vyhodnotiť viacero vzájomne sa dopĺňajúcich metrík.

Reprojekčná chyba

RMS reprojekčná chyba (RPE) je najrozšírenejšia metrika kvality kalibrácie. Meria 2D pixelový rozdiel medzi detekovanými obrazovými prvkami a ich polohami vypočítanými z modelu kamery a 3D súradníc: RPE = √(1/n × Σ||xᵢ - x̂ᵢ||²).

Kritická výhrada: RPE je tréningová chyba. Meria, ako dobre model sedí na dáta použité na jeho odhad. Nízka RPE nezaručuje dobrú kalibráciu kvôli riziku preučenia (príliš veľa parametrov na dostupné obmedzenia). Vždy validujte pomocou nezávislých kontrolných bodov zmeraných v kalibračných snímkach, ktoré však neboli použité pri odhade parametrov.

Analýza variancie a kovariancie

Matica variancie a kovariancie Cx = σ₀² × (JᵀJ)⁻¹ poskytuje základné informácie o neistote, kde σ₀² je aposteriórny faktor variancie a J je Jacobiho matica. Smerodajná odchýlka každého parametra je druhá odmocnina zodpovedajúceho diagonálneho prvku. Významnosť parametra sa posudzuje pomocou t-štatistiky t = |pᵢ| / σ(pᵢ): t > 2,0 indikuje významnosť na 95 % hladine spoľahlivosti.

Monitorovanie korelácie

Najkritickejšou koreláciou na monitorovanie je korelácia medzi ohniskovou vzdialenosťou (fx) a radiálnym skreslením (k₁):

Korelácie nad 0,9 medzi fx a k₁ indikujú, že blok snímok nemá šikmé zábery a samočinná kalibrácia poskytne nespoľahlivé výsledky. Vyžaduje sa predkalibrácia alebo dodatočné šikmé snímky.

Odporúčania USGS

USGS Open-File Report 2023-1033 vyžaduje, aby boli všetky kalibračné parametre a ich neistoty hlásené ako metadáta, kalibračná metóda a dátum boli zdokumentované, kalibračné prostredie (teplota, vlhkosť) bolo zaznamenané, validačné metriky (RPE, rezíduá kontrolných bodov) boli poskytnuté a história prekalibrácií bola udržiavaná.

Kalibrácia pri inšpekcii infraštruktúry a meraní trhlín

Inšpekcia infraštruktúry — najmä meranie trhlín na vozovkách — kladie prísne nároky na kalibráciu kamery. Trhliny široké až 0,1 mm musia byť spoľahlivo detekované a merané, čo vyžaduje sub-milimetrovú presnosť merania na veľkých plochách.

Parametre kamery pre inšpekciu vozoviek (štúdia ISPRS 2025)

Nedávna štúdia ISPRS o inšpekcii vozoviek (Darwish & Ahmed, 2025) používajúca kamerový systém namontovaný na vozidle vo výške 2,237 m uviedla nasledujúce kalibračné parametre:

Vplyv na meranie trhlín

Nekalibrované kamery vnášajú systematické chyby, ktoré priamo ovplyvňujú meranie trhlín. Nekorigované sudovité skreslenie o 5 pixelov na okrajoch snímky sa premieta do chyby 5 mm pri GSD 1 mm — čo je dostatočné na úplné zamaskovanie sub-milimetrových trhlín alebo falošné rozšírenie vláskových trhlín o 200–500 %. Chyby hlavného bodu o 10 pixelov spôsobujú laterálne odchýlky v polohe trhliny o 10 mm. Chyby ohniskovej vzdialenosti o 2 % spôsobujú 2 % škálovacie chyby pri meraní šírky trhlín.

Kalibrácia umožňuje tri kritické transformácie pre inšpekciu vozoviek: korekciu skreslenia objektívu (odstránenie sudovitého/poduškovitého skreslenia, ktoré by inak deformovalo geometriu trhliny na okrajoch snímky), ortogonálnu projekciu (konverzia perspektívnych snímok na ortografické pohľady z vtáčej perspektívy, kde sú možné skutočné metrické merania) a metrické škálovanie (stanovenie presného vzťahu medzi pixelmi a milimetrami na povrchu vozovky).

Zhrnutie a najlepšie postupy

Kalibrácia kamery je základom všetkých fotogrametrických meraní. Bez nej sú snímky kvalitatívnymi záznamami, nie kvantitatívnymi údajmi. Pri správnej kalibrácii je dosiahnuteľná sub-milimetrová presnosť merania aj so spotrebiteľskými kamerami.

Kľúčové poznatky

1. Každá kombinácia kamery a objektívu má jedinečné kalibračné parametre — nikdy nepredpokladajte parametre z rovnakého modelu alebo inej jednotky.
2. Kalibračné parametre v čase driftujú — tepelné vplyvy (~0,01–0,05 % na °C), mechanické nárazy a starnutie všetky zhoršujú platnosť kalibrácie.
3. Samočinná kalibrácia nie je všeliek — bez šikmých snímok (20–45°) produkuje korelácia medzi fx a k₁ chyby efektu kupoly vo výške 0,1–0,5 % výšky letu.
4. Predkalibrácia + spresnenie samočinnou kalibráciou je optimálny prístup — laboratórna kalibrácia poskytuje robustné počiatočné hodnoty; spresnenie počas prevádzky sa prispôsobuje terénnym podmienkam.
5. Hodnotenie kvality vyžaduje viacero metrík — samotná RMS reprojekčná chyba nestačí; analýza variancie a kovariancie, testovanie významnosti parametrov a validácia nezávislými kontrolnými bodmi sú nevyhnutné.
6. Pre inšpekciu vozoviek umožňuje kalibrácia presnosť σ = ±1,0 mm, ako preukázala štúdia ISPRS 2025.
7. Dokumentujte všetko — kalibračné parametre, neistoty, metódu, dátum a podmienky prostredia by mali byť zachované ako metadáta pre každý inšpekčný dataset.

Kontrolný zoznam najlepších postupov

• Kalibrujte každú kombináciu kamery a objektívu samostatne
• Použite 15–20 snímok šachovnice pokrývajúcich všetky kvadranty senzora
• Overte rovinnosť dosky < 0,1 mm
• Zaistite zoom a zaostrovacie krúžky, deaktivujte automatické zaostrovanie a stabilizáciu obrazu
• Vykonajte predkalibráciu pred nasadením v teréne
• Povoľte spresnenie samočinnej kalibrácie v SfM len so šikmými snímkami (≥10 % pri 20–45°)
• Zahrňte krížové pásy (dvojitý grid) pre UAV bloky
• Rozmiestnite vzťažné body (GCP) na okrajoch a v strede bloku
• Monitorujte koreláciu fx-k₁ — ukončite samočinnú kalibráciu, ak ρ > 0,95
• Prekalibrujte po tvrdých pristátiach, výmenách objektívu a každých 6 mesiacov
• Aklimatizujte kameru na prevádzkovú teplotu pred kalibráciou
• Validujte kalibráciu pomocou nezávislých kontrolných bodov
• Hláste všetky kalibračné parametre s neistotami ako metadáta
• Pre inšpekciu vozoviek: overte kalibráciu voči zameranému testovaciemu úseku

Referencie

• 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.