1. 课程导论
各位同学，欢迎来到《镜头畸变校正与色彩校正全流程》的第一章。
做图像处理这些年，我见过太多「原片直出」的惨案。有一次帮朋友处理无人机航拍数据，拼接出来的全景图，马路是弯的，楼房是歪的，颜色还偏得离谱。朋友问我：「这镜头是不是坏了？」我说：「没坏，只是没校正。」
嗯，这就是我们今天要聊的核心——为什么镜头拍出来的东西，跟人眼看到的不一样？
1.1 畸变：镜头的光学「原罪」
说白了，畸变是镜头的物理结构带来的必然结果。你想想看，镜头是一组凸透镜和凹透镜的组合，光线穿过不同曲率的镜片，折射路径不可能完全平行。于是，图像边缘就「跑偏」了。
畸变主要分三种：
| 畸变类型 | 表现特征 | 常见场景 |
|---|---|---|
| 桶形畸变 | 图像边缘向外膨胀，直线变弧线 | 广角镜头、手机前置摄像头 |
| 枕形畸变 | 图像边缘向内收缩，直线向内弯 | 长焦镜头、变焦镜头远端 |
| 非线性畸变 | 复杂扭曲，边缘与中心变形不一致 | 鱼眼镜头、低成本镜头 |
关键认知：畸变不是「坏镜头」的专利。任何镜头都有畸变，只是程度不同。高端镜头畸变小，但依然存在。校正不是「修复故障」，而是「还原物理真实」。
我在项目中遇到过最典型的案例——用手机拍A4文档做OCR识别。边缘的文字全部弯曲，OCR引擎直接罢工。后来加了畸变校正，识别率从62%跳到了97%。你想想看，这差距有多大。
1.2 色彩偏差：光线与传感器的「博弈」
色彩问题比畸变更隐蔽。畸变你一眼能看出来，色彩偏差却经常被忽略，直到你把两张照片放在一起对比。
色彩偏差的来源，我归纳为四个层面：
- 光源色温不一致——日光灯下偏绿，白炽灯下偏黄，混合光源下更乱
- 传感器响应非线性——CMOS对不同波长的光敏感度不同
- 镜头透光率差异——不同镜片镀膜对RGB通道的衰减不一样
- ISP处理偏差——相机内部的自动白平衡算法经常「猜错」
个人经验：我曾经调试一个工业检测项目，产品在荧光灯下总是偏蓝。折腾了三天，最后发现是光源频闪导致的色彩采样不一致。换成恒流LED光源，问题立刻解决。所以，色彩校正不只是调参数，还要考虑物理环境。
1.3 校正的核心逻辑：从「物理失真」到「数学还原」
校正的本质是什么？我个人的理解是——用数学模型去反向补偿物理系统的缺陷。
畸变校正，就是找到镜头畸变的映射函数，然后把每个像素「拉」回它应该在的位置。色彩校正，就是建立色彩转换矩阵，把传感器捕获的「非标准色彩」映射到「标准色彩空间」。
整个流程可以概括为：
- 标定：用已知图案（棋盘格、色卡）获取镜头的畸变参数和色彩偏差
- 建模：建立畸变模型（如Brown模型、除法模型）和色彩模型（如3×3色彩矩阵）
- 映射：对每个像素执行坐标重映射或色彩转换
- 插值：重映射后的像素位置不是整数，需要插值算法（双线性、双三次等）
下面这张图，是我自己画的全流程框架，帮你建立整体认知：
1.4 什么时候必须做校正？
不是所有场景都需要校正。我个人的判断标准是：
- 测量类应用（尺寸检测、3D重建）——必须做畸变校正，否则数据全废
- 拼接类应用（全景图、地图）——必须做，否则接缝处对不齐
- 识别类应用（OCR、人脸识别）——建议做，能显著提升准确率
- 视觉审美类（摄影、影视）——看需求，有时保留畸变反而是风格
避坑指南：我曾经在一个项目里，为了省时间跳过了畸变标定，直接用网上找的通用参数做校正。结果图像边缘出现了严重的「波浪效应」，比不校正还难看。后来老老实实重新标定，问题才解决。记住——每个镜头都是独一无二的，通用参数只能救急，不能救命。
1.5 本章小结
这一章我们聊了：
- 畸变的三种类型和它们的物理成因
- 色彩偏差的四个来源
- 校正的核心逻辑：标定→建模→映射→插值
- 什么时候必须做校正，什么时候可以跳过
你可能会觉得，这些内容偏理论，不够「干货」。但我想说——理解「为什么」比知道「怎么做」更重要。后面29章，我们会一步步把每个环节拆开，从数学公式到代码实现，从标定板设计到工程部署，全部走一遍。