Matlab机器视觉实战：从相机标定到物体尺寸精确测量

简介：本资源是一套面向机器视觉与图像处理领域工程技术人员的MATLAB实战方案，聚焦图像中物体实际尺寸的高精度检测问题，适用于工业自动化质检、精密制造测量及医疗影像分析等对尺度量化要求严格的场景。压缩包共7个文件（5张JPEG测试图像用于算法验证、1个核心MATLAB脚本main.m实现全流程处理、1份含原理推导与实验分析的Word论文文档），总大小仅145KB，轻量易用且结构清晰。已有186人下载学习，说明其在入门到进阶过渡阶段具备较强实践参考价值。读者可直接运行代码复现从图像采集、畸变校正、目标分割、像素-物理尺寸映射标定到结果可视化输出的完整技术链路，尤其适合缺乏硬件标定经验但需快速构建尺寸检测原型的开发者；配套文档还系统梳理了误差来源与校验方法，为后续精度优化提供明确路径。

1. 项目概述与核心价值

最近在整理过往的项目资料，翻到了一个挺有意思的课题：用Matlab搞基于机器视觉的物体实际尺寸检测。这听起来像是工业质检或者自动化测量里的经典需求，但说实话，真要把一个放在摄像头前的物体，从像素坐标换算成毫米级的实际尺寸，里面门道不少。很多人可能觉得，这不就是标定一下相机，然后做个比例换算吗？理论上没错，但实际干起来，从图像预处理、特征提取，到标定精度、透视矫正，每一步都可能让你掉坑里。这个项目就是当时为了解决一个精密零件在线测量问题而做的，目标是在非接触条件下，快速、准确地获取平面物体的长、宽、直径等尺寸。今天，我就把这个从思路到代码实现的完整过程，结合踩过的坑和总结的经验，拆开了揉碎了跟大家聊聊。无论你是刚接触机器视觉的学生，还是需要在项目中集成尺寸检测功能的工程师，希望这篇“老生常谈”能给你一些实实在在的参考。

简单来说，我们要做的是建立一个从“图像像素”到“物理世界毫米”的可靠映射关系。这离不开相机标定这个核心步骤。但标定只是起点，如何确保被测物体在图像中清晰、轮廓分明、不受透视畸变影响，才是保证最终测量精度的关键。整个流程可以概括为：搭建硬件环境 -> 相机标定获取内参和外参 -> 图像采集与预处理 -> 物体轮廓提取与关键点定位 -> 基于标定参数进行尺寸计算。下面，我们就按照这个逻辑，一步步深入。

2. 系统整体设计与核心思路拆解

2.1 为什么选择Matlab？

首先聊聊工具选型。为什么用Matlab来做这个事？在工业界，可能OpenCV+Python/C++是更主流的选择，但对于算法研究、快速原型验证以及高校环境，Matlab的优势非常明显。它的图像处理工具箱(Image Processing Toolbox)和计算机视觉工具箱(Computer Vision Toolbox)封装了大量成熟的函数，比如相机标定、边缘检测、形态学操作、几何变换等，我们不需要从底层矩阵运算开始写起，可以更专注于算法逻辑和流程的设计。特别是它的相机标定器(Camera Calibrator)App，图形化交互，能非常直观地完成标定流程并评估误差，这对初学者和理解标定原理至关重要。当然，Matlab的执行效率在处理大量图像或实时视频时可能不如编译型语言，但作为研究方法验证和离线测量系统，它完全够用，且能更快地出成果、看效果。

2.2 核心思路：从二维图像反推三维尺寸

我们的核心任务，本质上是解决一个透视投影逆问题。相机将三维世界投影到二维成像平面，我们丢失了深度信息。要恢复尺寸，必须引入约束条件。对于本项目关注的平面物体尺寸测量，我们采用的最常见且有效的约束是：假设被测物体位于一个已知的平面上。

这个“已知”体现在两方面：

1. 平面本身的物理尺寸已知：例如，我们使用一张标准的棋盘格标定板，其每个黑白方格的实际边长是精确已知的（比如30mm）。
2. 相机与该平面的相对位置关系已知：这通过相机标定过程来获取。标定不仅得到相机的内部参数（焦距、主点、畸变系数），还能得到在每次拍摄时，标定板平面相对于相机坐标系的旋转和平移矩阵（即外参）。

有了这两个“已知”，图像中位于该平面上的任何点，其图像坐标（像素位置）和世界坐标（物理毫米位置）之间就存在一个确定的单应性变换关系。通过这个变换矩阵，我们就可以把从图像中提取的物体轮廓像素长度，换算成实际物理长度。

注意：这个方法严格适用于物体与标定板共面的情况。如果物体有高度（即不在同一平面），测量其底部轮廓尺寸时，结果会有微小误差，这个我们后面在“常见问题”里会详细讨论。

2.3 硬件搭建要点

工欲善其事，必先利其器。硬件是精度的基础，几个关键点：

• 相机：建议使用工业面阵相机，分辨率根据测量精度要求来定。通常200万到500万像素对于大部分中小物体测量已足够。优先选择全局快门，避免拍摄运动物体时产生果冻效应。如果条件有限，高质量的USB网络摄像头也可以，但要注意其镜头畸变可能较大，自动对焦、自动白平衡等功能最好在软件中锁定。
• 镜头：选择合适焦距的镜头，确保视场能覆盖被测物体和标定板。短焦距（广角）镜头畸变大，长焦距（望远）镜头景深小，需要权衡。定焦镜头通常比变焦镜头畸变更小、更稳定。
• 照明：这是机器视觉的“灵魂”！均匀、稳定的光源至关重要。对于尺寸测量，通常采用背光或同轴光。背光能产生高对比度的物体剪影，非常适合提取清晰、完整的轮廓。同轴光则能突出物体表面的特征，减少阴影。务必避免环境光干扰，可以考虑使用遮光罩。
• 标定板：推荐使用黑白棋盘格标定板。打印时务必保证高精度，最好使用光栅或专业印刷。标定板要平整，粘贴在刚性好的底板上。方格的实际尺寸要用高精度卡尺多次测量取平均，这个值是所有计算的基准，它的误差会直接传递到最终结果。

3. 核心步骤一：相机标定详解

标定是精度之源，这一步必须稳扎稳打。

3.1 标定板图像采集

使用Matlab的cameraCalibratorApp或编程调用detectCheckerboardPoints、generateCheckerboardPoints等函数，需要从不同角度、不同位置拍摄至少10-20张标定板图片。要点如下：

• 覆盖整个视场：标定板应出现在图像的各个区域（中心、四角、边缘）。
• 多样化姿态：标定板要有明显的倾斜、旋转，不要总是正对着相机。这有助于更准确地估计镜头畸变。
• 清晰对焦：确保棋盘格角点清晰，不模糊。
• 均匀光照：避免标定板上有反光或阴影。

我通常的做法是，固定相机，手持标定板在镜头前缓慢移动、旋转，用Matlab写个简单的循环脚本进行连续采集并实时显示，确保角点检测稳定后再保存图像。

3.2 标定过程与参数理解

将采集到的图像集导入cameraCalibrator。App会自动检测角点，你需要输入每个方格的实际物理尺寸（单位：毫米）。标定完成后，会得到一系列关键参数：

• 内参矩阵(Intrinsic Matrix)：一个3x3矩阵，包含焦距(fx,fy)和主点(cx,cy)信息。它描述了相机自身的成像几何特性。

  % 示例内参矩阵 cameraParams.IntrinsicMatrix = [fx, 0, 0; s, fy, 0; cx, cy, 1]; % 其中 s 是倾斜系数，现代相机通常为0。

• 畸变系数(Distortion Coefficients)：通常包括径向畸变(k1,k2,k3, ...)和切向畸变(p1,2, ...)。它们描述了镜头引起的图像扭曲。
• 外参(Extrinsics)：对于每张标定图像，都有一个旋转矩阵(RotationMatrix)和平移向量(TranslationVector)，描述了该时刻标定板坐标系到相机坐标系的变换。
• 重投影误差(Reprojection Error)：这是评估标定质量的核心指标，单位是像素。理想情况下应小于0.5像素。误差过大需要检查标定板图像质量或角点检测是否正确。

实操心得：标定完成后，务必使用showReprojectionErrors函数查看每张图的误差，剔除误差异常大的图片（可能是角点检测错误），重新标定。还可以用undistortImage函数校正一张测试图，直观观察畸变校正的效果。如果校正后的直线变得笔直，说明标定效果良好。

3.3 单应性矩阵计算与应用

对于平面物体测量，我们更关心一个特定的外参：当标定板平面与测量基准平面重合时（即把物体放在标定板所在位置进行测量），此时的旋转平移矩阵所确定的单应性矩阵(Homography Matrix)。

单应性矩阵H是一个3x3矩阵，它建立了世界平面（标定板平面，单位毫米）到图像平面（单位像素）的投影关系。对于世界平面上的一个点[X, Y, 0, 1]（因为Z=0），其图像点[x, y, 1]（齐次坐标）满足：

s * [x; y; 1] = H * [X; Y; 1]

其中s是一个尺度因子。

在Matlab中，我们可以利用标定结果和一张标定板“平铺”在测量基准面上的图像，来计算这个H矩阵。更直接的方法是，如果我们已知世界平面上至少4个非共线点的物理坐标及其对应的图像像素坐标，就可以用fitgeotrans（用于二维）或直接解方程来计算H。而相机标定过程，恰恰以高精度提供了这些点对（所有角点）。

得到H后，其逆矩阵H_inv就能将图像像素点映射回世界平面毫米坐标。这就是我们尺寸计算的数学基础。

4. 核心步骤二：图像处理与物体轮廓提取

标定完成后，我们就可以对放置在同一基准平面上的被测物体进行拍摄和分析了。

4.1 图像预处理流程

原始图像通常不能直接用于轮廓提取，预处理的目标是增强物体与背景的对比度，抑制噪声。

1. 畸变校正：使用undistortImage(cameraParams, originalImage)校正镜头畸变。这是保证几何测量准确的前提，必须在所有处理之前进行。
2. 灰度化：如果是彩色相机，转换为灰度图像，rgb2gray。
3. 滤波去噪：使用高斯滤波(imgaussfilt)或中值滤波(medfilt2)平滑图像，消除细小噪声。滤波核大小要适中，避免过度模糊边缘。

   grayImage = rgb2gray(undistortedImage); filteredImage = imgaussfilt(grayImage, 1.5); % 标准差为1.5的高斯滤波

4. 对比度增强：如果图像整体偏暗或对比度低，使用imadjust或histeq进行直方图拉伸，使前景和背景分离更明显。
5. 图像二值化：这是关键一步，将灰度图转为黑白图，直接分离物体和背景。常用imbinarize函数，采用自适应阈值法（如‘adaptive’）能更好地应对光照不均。

   binaryImage = imbinarize(filteredImage, ‘adaptive’, ‘Sensitivity’, 0.6);

   注意事项：Sensitivity参数需要根据实际情况调整。值越高，越多的像素被归为前景（物体）。可以通过imshow(binaryImage)反复调整，目标是物体区域完整、内部孔洞少、边界清晰，同时背景噪声少。

4.2 形态学操作优化二值图像

二值化结果往往不完美，可能存在小的噪声点（椒盐噪声）、物体内部孔洞或边界毛刺。这时需要形态学操作。

• 开运算：先腐蚀后膨胀。可以消除小的白色噪声点，并平滑物体边界，断开狭窄的连接。imopen(binaryImage, strel(‘disk’, 3))。
• 闭运算：先膨胀后腐蚀。可以填充物体内部小的黑色孔洞，连接邻近的物体。imclose(binaryImage, strel(‘disk’, 3))。
• 经验之谈：对于背光下的物体，轮廓内部通常是黑色（孔洞），可能需要先闭运算填充，再用开运算平滑边缘。顺序和结构元素大小（如disk的半径）需要根据实际图像微调。我习惯先用小半径闭运算填充，再用稍大半径开运算平滑，并配合bwareaopen函数去除面积过小的连通区域（肯定是噪声）。

4.3 轮廓查找与关键点定位

得到干净的二值图像后，下一步是提取物体的轮廓。

% 查找边界 [B, L] = bwboundaries(binaryImage, ‘noholes’); % B是一个细胞数组，每个细胞包含一个轮廓的像素坐标(x, y)

对于尺寸测量，我们通常关注物体的最小外接矩形或椭圆。这能给出物体的长度、宽度、方向等信息。

stats = regionprops(‘table’, binaryImage, ‘BoundingBox’, ‘MajorAxisLength’, ‘MinorAxisLength’, ‘Orientation’, ‘Centroid’); % ‘BoundingBox’: [x, y, width, height] 像素坐标下的外接矩形 % ‘MajorAxisLength’, ‘MinorAxisLength’: 拟合椭圆的长短轴长度（像素） % ‘Orientation’: 椭圆长轴与水平方向的夹角（度） % ‘Centroid’: 质心坐标

regionprops函数非常强大，能一次性计算许多形状特征。对于规则矩形物体，BoundingBox的宽高可以直接用于尺寸计算。对于圆形物体，MajorAxisLength和MinorAxisLength应近似相等，其值即为直径（像素）。对于不规则物体，可能需要提取轮廓点集(B{1})，然后计算其凸包或特征点之间的距离。

5. 核心步骤三：尺寸计算与实现

这是将前两步成果结合的临门一脚。

5.1 建立像素到毫米的映射关系

我们有两种主要方式利用标定结果进行尺寸换算：

方法一：使用单应性矩阵H（推荐）假设我们通过标定，得到了从世界平面到图像平面的单应性矩阵H。那么，对于图像中的两个点p1_pixel和p2_pixel（齐次坐标[x, y, 1]’），它们在世界平面对应的点p1_world和p2_world可以通过下式求得：

p1_world_h = H_inv * [p1_pixel(1); p1_pixel(2); 1]; p1_world = p1_world_h(1:2) / p1_world_h(3); % 转换为非齐次坐标 [X, Y] p2_world_h = H_inv * [p2_pixel(1); p2_pixel(2); 1]; p2_world = p2_world_h(1:2) / p2_world_h(3); % 计算物理距离 distance_mm = norm(p1_world - p2_world);

例如，我们从regionprops得到了物体外接矩形的左上角点(x1, y1)和右下角点(x2, y2)（像素坐标），将它们转换为世界坐标后，其差值就是物体的实际物理尺寸。

方法二：使用标定参数计算每个像素的物理尺寸这是一种近似但更直观的方法。在标定板平面（测量基准面）上，计算图像中心区域一个像素所代表的实际物理尺寸。

1. 在标定板图像中，选取两个在物理世界中距离已知的角点（例如，水平方向相隔N个方格）。
2. 计算这两个角点在图像中的像素距离D_pixel。
3. 已知物理距离D_mm（N * 方格边长）。
4. 则比例因子scale = D_mm / D_pixel（单位：毫米/像素）。

之后，测量任何物体在图像中的像素尺寸P_pixel，乘以scale即可得到物理尺寸P_mm = P_pixel * scale。

注意：方法二假设的是正交投影或在图像中心区域，忽略了透视畸变。如果物体不在图像中心，或者相机不是正对测量平面，该方法误差会增大。方法一（单应性矩阵）在理论上更严谨，它考虑了整个平面的透视变换，精度更高。

5.2 完整测量流程代码框架

下面是一个简化的、集成式的代码框架示例：

%% 主程序：基于机器视觉的物体尺寸测量 clear; clc; close all; % 步骤1：加载相机标定参数（假设已保存为cameraParams.mat） load(‘cameraParams.mat’); % 步骤2：采集或读取待测物体图像（图像中应包含标定板以计算当前位姿的单应性矩阵，或已提前标定好基准面） % 假设我们有一张基准面标定板图像‘baseline.jpg’用于计算H，和一张物体图像‘object.jpg’。 baselineImage = imread(‘baseline.jpg’); objectImage = imread(‘object.jpg’); % 步骤2.1: 校正畸变 baselineImageUndist = undistortImage(cameraParams, baselineImage); objectImageUndist = undistortImage(cameraParams, objectImage); % 步骤2.2: 计算基准面的单应性矩阵H（使用baselineImageUndist） % 检测标定板角点 [imagePoints, boardSize] = detectCheckerboardPoints(baselineImageUndist); % 生成对应的世界坐标（Z=0） squareSize = 30; % 标定板方格实际边长，单位mm worldPoints = generateCheckerboardPoints(boardSize, squareSize); % 估算单应性矩阵 H = fitgeotrans(worldPoints, imagePoints, ‘projective’); % 注意：这里fitgeotrans输入输出顺序可能需转置，或使用estimateGeometricTransform2D % 更严谨的方法是使用相机参数和已知外参计算，这里用拟合作为示例。 H_inv = invert(H); % 步骤3：处理物体图像 % 3.1 预处理（灰度化、滤波、二值化） grayObject = rgb2gray(objectImageUndist); filteredObject = imgaussfilt(grayObject, 1); binaryObject = imbinarize(filteredObject, ‘adaptive’, ‘Sensitivity’, 0.55); % 3.2 形态学优化 se = strel(‘disk’, 2); binaryObject = imclose(binaryObject, se); binaryObject = imopen(binaryObject, se); binaryObject = bwareaopen(binaryObject, 500); % 去除面积小于500像素的噪声 % 3.3 提取物体属性 stats = regionprops(‘table’, binaryObject, ‘BoundingBox’, ‘Area’, ‘Centroid’); % 假设最大的连通区域是我们的物体 [~, idx] = max(stats.Area); bbox = stats.BoundingBox(idx, :); % [x, y, width, height] in pixels % 步骤4：尺寸计算（使用单应性矩阵方法） % 将边界框的四个角点从像素坐标转换到世界坐标（毫米） bbox_corners_pixel = [bbox(1), bbox(2); bbox(1)+bbox(3), bbox(2); bbox(1)+bbox(3), bbox(2)+bbox(4); bbox(1), bbox(2)+bbox(4)]; bbox_corners_world = transformPointsForward(H_inv, bbox_corners_pixel); % 使用变换对象 % 计算物理尺寸 width_mm = norm(bbox_corners_world(1,:) - bbox_corners_world(2,:)); height_mm = norm(bbox_corners_world(2,:) - bbox_corners_world(3,:)); % 步骤5：显示结果 figure; subplot(1,2,1); imshow(objectImageUndist); title(‘原始校正图像’); subplot(1,2,2); imshow(binaryObject); title(‘处理后的二值图像’); hold on; rectangle(‘Position’, bbox, ‘EdgeColor’, ‘r’, ‘LineWidth’, 2); plot(stats.Centroid(idx,1), stats.Centroid(idx,2), ‘r*’); hold off; fprintf(‘测量结果：\n’); fprintf(‘物体宽度：%.2f mm\n’, width_mm); fprintf(‘物体高度：%.2f mm\n’, height_mm);

6. 精度提升关键与常见问题排查

做到这一步，一个基本的测量系统就完成了。但要想获得高精度、高鲁棒性的实用系统，还需要关注以下细节。

6.1 影响测量精度的关键因素

1. 标定板精度：这是系统误差的源头。标定板方格尺寸的物理测量误差、打印的几何畸变、平整度，都会直接传递到整个系统。
2. 图像分辨率：分辨率越高，每个像素代表的物理尺寸越小，理论精度越高。但也要考虑处理速度和成本。
3. 亚像素边缘定位：regionprops或bwboundaries给出的轮廓是像素级的。通过亚像素级边缘检测算法（如edge函数配合‘Canny’算子，或灰度矩方法），可以将边缘定位精度提高到0.1像素甚至更高，这对精度提升非常明显。
4. 光照稳定性：光照变化会导致二值化阈值漂移，轮廓提取不稳定。必须使用稳定光源，或采用更高级的动态阈值算法。
5. 相机与物体的相对姿态：我们的模型假设物体与标定板共面。如果物体有厚度，测量其顶部轮廓时，会因为透视原理产生误差。对于薄片物体，此误差可忽略；对于有高度的物体，需要考虑三维重建或使用双目视觉。

6.2 常见问题与解决方案速查表

6.3 高级话题与扩展方向

当基础方法掌握后，可以探索以下方向来提升系统能力：

• 处理非平面物体：对于有高度的物体，单目视觉共面假设失效。可以考虑：1)激光三角测量：用线激光在物体表面形成一条光带，通过其在图像中的变形来计算高度。2)双目立体视觉：使用两个相机，通过视差计算深度信息，从而测量三维尺寸。
• 运动物体测量：结合视频流处理。关键在于触发同步和运动模糊处理。使用外部触发信号控制相机在物体到位瞬间拍照，或使用全局快门相机。对于不可避免的运动模糊，可能需要研究图像去模糊算法。
• 深度学习辅助：在复杂背景下，传统图像处理算法可能难以稳定分割物体。可以使用轻量级的深度学习模型（如U-Net）进行语义分割，精准地获取物体的像素掩膜，然后再进行传统的几何尺寸计算。这结合了深度学习的鲁棒性和传统几何视觉的精确性。
• 系统集成与自动化：将Matlab算法部署为可执行文件或C/C++代码，集成到上位机软件中。利用Matlab Coder或将其算法逻辑用OpenCV重写，实现与PLC、机械臂等工业设备的联动，完成全自动化的在线检测。

回过头看，基于Matlab的机器视觉尺寸检测，是一个从理论到实践非常连贯的学习路径。它强迫你去理解相机模型、坐标变换、图像处理这些基础知识。过程中最大的体会是，“精度藏在细节里”。一个标定板的平整度、一束光的角度、一个阈值参数的大小，都可能让结果差之毫厘。多动手实验，多对比不同参数下的结果，用游标卡尺或三坐标测量仪等工具对测量结果进行反复验证，是这个过程中最有效的学习方法。希望这篇长文能帮你避开我当年踩过的一些坑，顺利搭建起自己的视觉测量系统。

本文还有配套的精品资源，点击获取