Python 过滤校准图像的有效方法是什么？

我正在执行教程中显示的校准

我希望我的校准例行程序决定图像是否适合校准，而不是手动可视化来决定，因为有一些图像检测到的棋盘图案是弯曲的，它们可能会对校准产生不良影响

我有大约400张图片，所以不可能对每张图片进行可视化和决策

下面是一个可能的解决方案，但考虑到大量图像，速度非常慢

def calculate_error(img_points_p, obj_points_p, rot_vectors_p, tr_vectors_p, mtx_p, dist_p):
    error_data = []
    for i in range(len(obj_points_p)):
        img_points_2, _ = cv.projectPoints(obj_points_p[i], rot_vectors_p[i], tr_vectors_p[i], mtx_p, dist_p)
        error = cv.norm(img_points_p[i], img_points_2, cv.NORM_L2) / len(img_points_2)
        error_data.append(error)
    return error_data

# perform calibration
# call calculate_error(...)
# remove from img_points (2d points in image plane) the values which correspond to value greater than 0.1 in error_data
# perform calibration again with data with only lesser values from error_data 

是否可能有一个更快的替代方案？比如在检测到棋盘图案后立即检查图像是否良好，对于所有图像？

以算法形式：

• 对每个图像运行findChessboardCorners（），拒绝未检测到棋盘的图像
• 在幸存者图像上，使用RANSAC或LMEDS估计器在检测到的棋盘角上运行findHomography（），拒绝失败或找到少于N个内联的图像。使用一个合理的N值，比如16或36（这意味着你想“看到”4x4或6x6的等效内射。至少。不要对最大可接受的重射误差过于严格，因为你还没有校正镜头畸变

---

也许你可以在校准过程中使用某种RANSAC来查找内部/异常值。我对单应性不太熟悉，

retval，mask=cv.findHomography（img_points[I]，obj_points[I]，cv.LMEDS，16）

有效吗？是的，它可能会做一些实验。