简介：这份文档面向使用PhotoScan进行摄影测量与三维建模的从业者与学习者，聚焦相机标定与畸变改正两大核心环节，帮助解决内参解算不准、镜头畸变导致模型精度下降等实际问题。资源为单个docx文件，压缩包约2.37MB，内容以图文步骤说明为主，便于对照软件界面逐步操作。文档梳理了相机标定的完整链路：添加影像、对齐影像、优化相机参数、导出相机参数，并强调导出格式须为PhotoScan自身格式，否则后续无法正确读取；畸变改正部分则给出添加影像、导入畸变参数、导出未畸变影像的操作路径，同时提示影像数量较多时可只选取纹理丰富区域估计畸变参数，以降低计算量并提升参数可靠性。目前已有4766人学习下载，适合需要掌握PhotoScan标定流程、提升三维模型质量与作业效率的读者参考。
1. 相机标定与畸变改正：为什么"先算参数、再批量套用"才是大规模测区的正解
很多人第一次用 PhotoScan 处理航测数据时，都会默认一个直觉：既然软件能自动对齐影像、自动建模，那畸变改正应该也是"一键全自动"的事。但真正跑过几百上千张影像的测区之后就会发现，如果让软件对全部影像一起解算相机畸变参数，计算量会大到让人怀疑人生，而且只要有几张糊片、逆光片混进去，解出来的畸变系数就会被带偏，最后整片正射影像都跟着歪。这背后的核心矛盾是：相机标定是一个"参数估计"问题，而畸变改正是"参数应用"问题，两者对数据量和数据质量的要求完全不同。PhotoScan 的处理流程之所以要拆成"标定—导出参数—导入参数—批量改正"四段，本质上就是把"估计"和"应用"解耦，让前者用少量高质量影像算准，让后者用全部影像快速套用。搞懂这个解耦逻辑，你才能真正理解为什么导出的参数文件必须是 PhotoScan 自己的格式，也才能在大规模项目里少走弯路。
2. 相机标定：PhotoScan 到底在解什么方程
2.1 从共线方程说起：内参和外参是怎么被"估"出来的
相机标定的数学基础是共线方程，它描述的是：一个三维空间点、相机光心、以及它在影像上的成像点，三点共线。写成公式大致是：
x - x0 = -f * [R11(X-Xs) + R12(Y-Ys) + R13(Z-Zs)] / [R31(X-Xs) + R32(Y-Ys) + R33(Z-Zs)] y - y0 = -f * [R21(X-Xs) + R22(Y-Ys) + R23(Z-Zs)] / [R31(X-Xs) + R32(Y-Ys) + R33(Z-Zs)]其中f是焦距，(x0, y0)是主点坐标，这两个加上畸变系数(k1, k2, k3, p1, p2)就是内参数；而R矩阵和(Xs, Ys, Zs)是每张影像的旋转和平移，属于外参数。PhotoScan 的对齐影像过程，实际上就是在做一场大规模的非线性最小二乘：它先通过 SIFT 类特征算子在不同影像上找同名点，再用这些同名点同时解算所有影像的外参和一套共享的内参。
这里有个关键设计：内参是所有影像共享的，外参是每张影像独立的。这意味着影像数量越多，外参的未知数就越多，但内参的未知数不变。所以当影像数量从 50 张涨到 500 张时，未知数总量几乎线性增长，而 PhotoScan 的稀疏光束法平差（Bundle Adjustment）求解规模也随之膨胀。这就是为什么"用全部影像解畸变参数"计算量会爆炸的根本原因——不是畸变参数本身难算，而是它被绑在了一个巨大的联合平差问题里。
2.2 对齐影像为什么必须选"高精度"
在 PhotoScan 的对齐影像对话框里，精度选项有 Lowest、Low、Medium、High、Highest 几档。很多人为了省时间选 Medium，结果发现导出的畸变参数不稳定，换一批影像重跑，参数就变了。这不是玄学，而是因为精度档位直接决定了特征点提取的下采样层级。
选 High 或 Highest 时，软件在原始分辨率或接近原始分辨率上提取特征点，同名点坐标的定位精度更高，平差时观测值的噪声更小，解出来的内参就更接近真值。选 Medium 时，影像被降采样，特征点坐标的量化误差被放大，虽然外参还能凑合，但内参尤其是畸变系数对噪声非常敏感，很容易解出物理上不合理的值（比如 k1 正负号乱跳）。
常见的实现思路是：标定阶段用 High 对齐，建模阶段再根据算力决定是否降精度。因为标定只需要跑一次，多花的时间是值得的；而建模可能要反复迭代，那时候再考虑效率。
2.3 优化相机参数：勾选项背后的取舍
对齐完成后，菜单里的"工具—优化相机"才是真正决定内参质量的步骤。这个对话框里会列出所有可优化的参数：f、cx、cy、k1~k4、p1~p2 等。这里有一个血泪经验：不要无脑全勾。
原因在于，PhotoScan 的优化是一个带先验约束的最小二乘，如果你把高阶畸变系数（比如 k3、k4）也勾上，而你的影像重叠度不够、或者相机本身畸变很小，这些高阶项就会去拟合噪声，解出一些数值很大但物理意义可疑的系数。结果就是：在标定影像上残差很小，但换到新影像上畸变改正效果很差。
比较稳妥的做法是分步优化：先只勾 f、cx、cy、k1、k2，看残差报告；如果残差还大，再逐步加入 p1、p2、k3。每次优化后都要看 Camera 面板里的误差值，如果某个参数的标准差比它的估值还大，说明这个参数在当前数据下不可靠，应该取消勾选。
2.4 导出相机参数：为什么格式这么重要
优化满意后，通过"工具—导出—相机参数"可以把内参写成一个文件。这里必须强调：PhotoScan 导出的参数文件是它自己的格式，通常是一个包含相机型号、焦距、主点、畸变系数的文本文件。这个文件里不仅有你勾选优化的那些系数，还隐含了 PhotoScan 对相机模型的定义方式——比如畸变是加在归一化坐标上还是像素坐标上，径向畸变和切向畸变的组合顺序是什么。
这就是为什么后面畸变改正时，导入的参数文件必须是 PhotoScan 自己导出的。如果你拿别的软件（比如某些开源标定工具）导出的参数文件硬塞进去，即使系数名字看起来一样，坐标系约定和单位可能完全不同，改正出来的影像会歪得更厉害。这不是 PhotoScan 故意封闭，而是相机模型本身就没有完全统一的标准，每个软件都有自己的约定。
3. 畸变改正：为什么可以"只算一部分、改正全部"
3.1 参数估计与应用解耦的数学依据
畸变改正的本质，是把每个像素的坐标从"畸变影像坐标系"映射到"理想针孔坐标系"。这个映射只依赖于相机内参，不依赖于这张影像拍摄时的位置和姿态。换句话说，畸变改正是逐影像独立操作，不需要跨影像的联合平差。
这就解释了为什么可以只用一部分纹理丰富的影像来估计参数，然后把这个参数应用到全部影像上。因为参数一旦估计出来，它就是一个固定的数学变换，对任何一张用同一相机拍摄的影像都适用。计算量从"解一个包含所有影像外参的大平差"降到了"对每张影像做一次像素重采样"，后者是高度可并行、且复杂度只有 O(像素数) 的操作。
3.2 导入畸变参数：相机参数界面里发生了什么
在畸变改正流程里，添加影像之后，关键一步是在相机参数界面导入之前导出的参数文件。这个操作会把文件里的内参和畸变系数写入当前项目的相机对象。此时如果你打开 Camera 面板，会看到 f、cx、cy、k1 等字段被填充为导入值，而且这些值通常是锁定的，不会再参与后续平差。
这里有一个容易翻车的点：导入参数前，不要先做对齐影像。因为一旦你做了对齐，PhotoScan 会自己解算一套内参，你再导入就会覆盖掉，或者出现两套参数打架的情况。正确的顺序是：新建项目—添加影像—直接导入相机参数—导出未畸变影像。整个过程不需要空三，也不需要特征点匹配。
3.3 导出未畸变影像：重采样背后的插值选择
"工具—导出—未畸变影像"这一步，PhotoScan 会对每张影像的每个像素，按照畸变模型反向计算它在原始影像上的位置，然后做灰度插值。常见的插值方式有最近邻、双线性、双三次。PhotoScan 默认通常用双线性或双三次，前者速度快但会轻微模糊，后者更锐利但计算量稍大。
对于后续要做密集匹配的影像，建议用双三次，因为密集匹配对纹理细节敏感，插值模糊会降低匹配成功率。对于只是做正射影像拼接的，双线性通常够用。导出时对话框里要选择所有相机，然后指定一个输出文件夹，软件会为每张输入影像生成一张对应的无畸变影像，文件名通常保持原名加后缀。
注意：导出未畸变影像不会修改原始影像，而是生成新文件。如果测区很大，输出文件夹的磁盘空间要提前留够，无畸变影像的体积和原图基本相当。
4. 避坑与排查：标定和改正里最容易翻车的几个点
4.1 现象：优化后残差很小，但改正后的影像还是歪
原因：残差小只说明在标定影像上拟合得好，不代表参数物理正确。如果标定影像重叠度低、或者分布集中在一个小区域，解出的畸变系数可能只在这个区域有效，外推到全测区就失效了。
解决：标定影像要覆盖整个测区，且有一定重叠度。如果测区很大，可以分区域标定，但前提是同一相机。检查 Camera 面板里每个参数的标准差，标准差过大的参数不要勾选优化。
4.2 现象：导入参数文件时报错或参数全为零
原因：参数文件格式不对，或者文件里的相机型号和当前项目里的相机不匹配。PhotoScan 导入时会按相机型号或序列号匹配，如果对不上就静默失败。
解决：确认参数文件是 PhotoScan 自己导出的，且导出时和导入时用的是同一批影像的相机分组。如果项目里相机被重命名过，先在 Camera 面板里改回一致的名字再导入。
4.3 现象：导出未畸变影像后，影像尺寸变了
原因：畸变改正后，有效像素区域会发生变化。PhotoScan 默认可能会裁剪掉边缘无效区域，或者保持原尺寸但边缘填充。
解决：在导出对话框里检查是否有"保持尺寸"或"裁剪"选项。如果后续要和原始影像做对比，建议保持原尺寸，边缘无效区域用黑色填充，避免坐标对应关系错乱。
4.4 现象：只用部分影像标定，改正全部影像后，边缘影像畸变改正效果差
原因：如果边缘影像和标定影像不是同一相机、或者相机在拍摄过程中变过焦，参数就不适用。变焦镜头是重灾区，因为焦距一变，内参全变。
解决：确认所有影像用同一相机、同一焦距拍摄。如果是变焦镜头，必须按焦距分组，每组单独标定。定焦镜头也要注意对焦距离变化可能引起的轻微内参漂移，高精度项目里要分组处理。
4.5 现象：对齐影像选了 Highest，跑了一天还没完
原因：Highest 精度下，特征点提取和匹配的计算量是 Medium 的好几倍，影像数量多时时间成本极高。
解决：标定阶段可以先用 Medium 快速跑一遍，确认影像重叠和分布没问题，再换 High 或 Highest 重跑。或者先用一个子集（比如纹理最丰富的 30% 影像）做 Highest 标定，导出参数后再用全部影像做畸变改正。这正是"部分标定、全部改正"策略的价值所在。
5. 设计取舍：为什么"部分标定、全部改正"是工程上的最优解
把相机标定和畸变改正拆开，表面上看是多了一步导出导入，但它带来的收益远大于这点麻烦。从计算复杂度看，联合平差的规模随影像数增长，而畸变改正的规模只随像素数增长，前者是超线性的，后者是线性的。当影像数从几十张涨到上千张时，这个差距是数量级的。从数据质量看，畸变参数估计对噪声敏感，用全部影像反而容易被少数坏影像污染，而用精选的子集可以把噪声控制在可接受范围内。从工程流程看，标定是一次性的，改正可以反复做，解耦之后你可以随时换一批影像重新改正，而不需要重新标定。
我一般会这么理解这套流程：标定是在"学习"相机的缺陷，改正是在"应用"这个知识。学习要慢、要精、要挑好教材；应用要快、要全、要能批量。PhotoScan 把这两件事分成两个独立流程，并且用自己格式的参数文件作为桥梁，本质上是在强制你区分这两个阶段。理解了这一点，你就不会再去纠结"为什么不能一步到位"，而是会主动去设计自己的标定子集和改正批次。
从那以后我每次做大规模测区，都会先花半天时间挑一批纹理最丰富的影像做高精度标定，导出参数后检查每个系数的标准差，确认稳定了再导入全量影像做改正。这个习惯帮我省下了大量返工时间，也让我对相机模型的理解从"软件黑匣子"变成了"可控的数学工具"。希望帮到你。
本文还有配套的精品资源，点击获取
