4、投影模型与畸变理论：鱼眼镜头常用投影函数与畸变数学描述

鱼眼镜头之所以能够实现接近或超过180°的超大视场角，其根本原因在于它刻意违背了普通镜头的“相似性成像”原则，采用了非线性投影模型。理解投影函数与畸变理论，是进行鱼眼镜头光学设计、像差平衡以及后续标定与校正的数学基石。本章将深入剖析鱼眼镜头的几种核心投影函数，厘清畸变的定义与分类，并给出严谨的数学描述，帮助学习者建立从“物理光路”到“数学模型”的完整认知。

4.1 核心原理：鱼眼镜头为何必须采用非线性投影

普通透视镜头遵循“相似性成像”原则，即像高 r 与入射角 θ 的正切值成正比：r = f·tanθ。当视场角超过约 90° 时，tanθ 会迅速趋于无穷大，导致像面尺寸无限增大，这在物理上无法实现。鱼眼镜头通过主动引入可控的“桶形畸变”，将大角度入射光线压缩到有限的像面内，从而获得超大视场。这种压缩关系由投影函数精确描述。

鱼眼镜头的核心设计思想是：牺牲局部区域的线性比例关系，换取全局视场角的覆盖能力。不同的投影函数对应不同的畸变分布特性，直接影响成像的视觉效果和后续处理的复杂度。工程中，投影函数的选择往往取决于应用场景：测量类应用追求等距投影以保持角度分辨率均匀，全景拼接类应用则更关注等立体角投影带来的面积失真平衡。

4.2 常用投影函数详解与对比

鱼眼镜头设计中，存在四种经典的理想投影模型，它们分别定义了物方入射角 θ 与像方像高 r 之间的数学关系。下表对比了这四种模型的数学表达式、核心特征及典型应用场景。

投影模型	数学表达式	最大视场角	核心特征	典型应用
等距投影 (Equidistant)	r = f·θ	可达 360°	角分辨率恒定，畸变最小	测量、天文摄影
等立体角投影 (Equisolid)	r = 2f·sin(θ/2)	约 180°	面积失真与角度失真折中	全景拼接、安防监控
正交投影 (Orthographic)	r = f·sinθ	约 180°	边缘压缩强烈，中心放大	艺术摄影、特殊效果
体视投影 (Stereographic)	r = 2f·tan(θ/2)	接近 360°	保角映射，局部形状保持好	显微成像、机器人视觉

从数学角度看，当 θ 较小时（如 θ < 30°），四种投影函数的泰勒展开式均趋近于 r ≈ f·θ，即在小视场范围内，鱼眼镜头近似于透视镜头。随着 θ 增大，各模型的差异逐渐显现。等距投影的 r 与 θ 呈线性关系，因此其角分辨率（单位角度对应的像素数）在全视场内保持恒定，这对于需要精确角度测量的应用至关重要。

4.3 畸变定义与分类：径向畸变与切向畸变

畸变是实际光学系统成像位置与理想成像位置之间的偏差。在鱼眼镜头中，畸变不仅是不可避免的副产品，更是实现超大视场角的核心手段。然而，当我们需要从鱼眼图像中恢复真实几何信息时，必须对畸变进行精确建模和校正。畸变主要分为两大类：径向畸变和切向畸变。

径向畸变是沿镜头半径方向产生的畸变，主要由镜片表面的曲率误差和光阑位置引起。它使像点沿径向向内（桶形畸变）或向外（枕形畸变）偏移。鱼眼镜头通常表现为强烈的桶形畸变。径向畸变的数学模型通常用奇次多项式描述：

Δr_radial = k₁·r³ + k₂·r⁵ + k₃·r⁷ + ...

其中 r 为像点到主点的距离，k₁、k₂、k₃ 为径向畸变系数。在实际标定中，通常取前两项或前三项即可达到足够精度。

切向畸变是垂直于径向方向的畸变，主要由镜片组的光学中心不共线或传感器安装倾斜引起。它使像点沿切线方向偏移，导致图像中的直线变为曲线。切向畸变的数学模型为：

Δx_tangential = 2p₁xy + p₂(r² + 2x²)
Δy_tangential = p₁(r² + 2y²) + 2p₂xy

其中 (x, y) 为像点的归一化坐标，p₁、p₂ 为切向畸变系数。切向畸变通常远小于径向畸变，但在高精度测量场景中不可忽略。

4.4 畸变对成像的影响及数学描述

畸变对成像的影响体现在多个维度：几何形状失真、面积比例失真、角度失真以及色彩偏移（色差引起的畸变差异）。在鱼眼镜头中，这些影响被放大到极致。为了精确描述畸变对成像的影响，我们通常建立从物方坐标到像方坐标的完整映射模型。

设物方空间一点 P 的入射角为 θ，方位角为 φ，理想投影函数为 r_ideal = f(θ)。考虑畸变后，实际像高 r_real 可表示为：

r_real = r_ideal + Δr_radial + Δr_tangential

其中 Δr_radial 和 Δr_tangential 分别为径向和切向畸变在径向方向上的分量。将上述关系分解到 x 和 y 方向，得到完整的畸变模型：

x_distorted = x_ideal + x_ideal·(k₁r² + k₂r⁴ + k₃r⁶) + 2p₁x_ideal·y_ideal + p₂(r² + 2x_ideal²)
y_distorted = y_ideal + y_ideal·(k₁r² + k₂r⁴ + k₃r⁶) + p₁(r² + 2y_ideal²) + 2p₂x_ideal·y_ideal

该模型是张正友标定法及各类鱼眼相机标定工具（如 OpenCV fisheye 模块）的理论基础。在实际应用中，还需考虑主点偏移 (cx, cy) 和焦距 (fx, fy) 等内参。

4.5 案例拆解：等距投影鱼眼镜头的畸变校正流程

为帮助理解投影模型与畸变理论的实际应用，下面以一个典型的等距投影鱼眼镜头标定与校正案例进行拆解。该案例基于一个视场角为 190° 的工业鱼眼镜头，传感器为 1/1.8" CMOS，分辨率为 1920×1080。

背景与约束：该镜头用于机器人避障系统中的全景感知，要求输出图像能够准确反映障碍物的角度方位，因此选择等距投影模型作为设计基准。系统对实时性要求较高，校正算法需在嵌入式平台上以 30fps 运行。

初始现象：镜头出厂时提供了标称投影函数 r = f·θ，但实际成像存在明显的桶形畸变，且边缘区域存在轻微切向畸变，导致图像中的直线在边缘处弯曲。通过棋盘格标定板采集 20 张不同姿态的图像后，初步标定结果显示重投影误差约为 1.2 像素，无法满足测量精度要求。

关键输入数据与参数：标定板为 9×6 棋盘格，方格边长 30mm。使用 OpenCV fisheye 模块进行标定，初始内参设定 fx = fy = 500，cx = 960，cy = 540。畸变系数初始化为零。

分析判断过程：重投影误差偏大的原因可能有三：一是标定板图像数量不足或姿态覆盖不全；二是畸变模型未包含切向畸变；三是镜头实际投影曲线与理想等距模型存在偏差。通过分析标定板角点在图像中的分布，发现边缘区域的误差明显大于中心区域，且误差方向呈径向分布，判断主要问题在于径向畸变模型阶数不足。

实际操作步骤：

1. 增加标定板图像至 30 张，覆盖不同角度和距离，确保边缘区域有足够样本。
2. 修改畸变模型，将切向畸变系数 p₁、p₂ 加入标定参数。
3. 使用 cv2.fisheye.calibrate() 重新标定，并设置 CALIB_CHECK_COND 标志以检查矩阵条件数。
4. 标定完成后，使用 cv2.fisheye.initUndistortRectifyMap() 生成校正映射表，并通过 cv2.remap() 进行图像重映射。
5. 在嵌入式平台上，将映射表预计算并存储为查找表，避免实时计算开销。

结果对比：重新标定后，重投影误差降至 0.3 像素以内。校正后的图像中，原本弯曲的直线恢复为直线，边缘区域的几何失真显著改善。在嵌入式平台上，校正处理耗时从原来的 15ms 降至 8ms，满足 30fps 的实时性要求。

风险与代价：增加切向畸变系数后，标定算法的收敛性变差，需要更多迭代次数。此外，校正后的图像边缘区域存在约 15% 的像素拉伸，导致有效分辨率下降。为缓解该问题，可在校正后对边缘区域进行裁剪或插值处理。

复盘经验：鱼眼镜头标定的核心在于畸变模型的准确性和标定数据的充分性。对于等距投影镜头，建议优先保证径向畸变模型的阶数（至少三阶），再考虑切向畸变。同时，标定板的姿态应尽量覆盖视场边缘，避免模型外推误差。

4.6 常见误区与总结复盘

在鱼眼镜头投影模型与畸变理论的学习和工程应用中，以下误区值得特别注意：

• 误区一：将鱼眼镜头畸变等同于普通镜头畸变。普通镜头的畸变是“缺陷”，而鱼眼镜头的畸变是“功能”。设计目标完全不同，不能以普通镜头的畸变标准衡量鱼眼镜头。
• 误区二：忽略投影函数的选择对后续算法的影响。不同的投影函数会导致图像在角度、面积、形状上的失真特性不同，直接影响特征匹配、光流计算等算法的性能。例如，等距投影在边缘区域的角度分辨率恒定，适合特征点匹配；而正交投影在边缘区域压缩严重，可能导致特征点丢失。
• 误区三：畸变校正时盲目增加多项式阶数。高阶畸变系数容易引入数值不稳定性和过拟合问题。工程中，径向畸变取 3-5 阶、切向畸变取 2 阶通常已足够。
• 误区四：忽视主点偏移和传感器倾斜的影响。在鱼眼镜头中，主点偏移可能达到数十像素，传感器倾斜导致的切向畸变也更为显著。标定时必须将这些参数一并优化。