4. 切向畸变原理

聊完径向畸变，咱们来看看另一种常见的镜头问题——切向畸变。

说白了，径向畸变是镜头“本身”的光学缺陷。而切向畸变，问题出在装配上。

你想想看，镜头模组在生产时，透镜的光轴和传感器平面，理论上应该完美垂直。但实际制造和组装总有公差。一旦透镜和传感器不平行，哪怕只有一点点角度偏差，光线穿过透镜后，在传感器上的成像位置就会发生偏移。这种偏移，就是切向畸变。

4.1 切向畸变的数学模型

切向畸变的数学模型，比径向畸变稍微复杂一点。它有两个参数：p1 和 p2。

校正公式如下：

x_corrected = x + [2 * p1 * x * y + p2 * (r² + 2 * x²)]
y_corrected = y + [p1 * (r² + 2 * y²) + 2 * p2 * x * y]

其中：

• (x, y) 是归一化平面上的畸变点坐标
• (x_corrected, y_corrected) 是校正后的坐标
• r² = x² + y²
• p1, p2 是切向畸变系数

这个公式看起来有点绕，但核心思想很简单：畸变偏移量不仅和像素位置有关，还和 x、y 的乘积有关。这意味着，图像角落的畸变，会比中心区域更明显。

4.2 切向畸变 vs 径向畸变

我经常被问到：这两种畸变怎么区分？

嗯，看图像特征就行。

畸变类型	根本原因	图像表现	校正参数
径向畸变	镜头透镜曲率缺陷	直线变曲线（桶形/枕形）	k1, k2, k3
切向畸变	透镜与传感器不平行	直线倾斜、梯形失真	p1, p2

举个例子。你拍一张棋盘格照片。如果棋盘格边缘的直线变成了弧线，那是径向畸变。如果棋盘格整体看起来像被“拉扯”了一下，一边宽一边窄，或者格子变成了平行四边形，那多半是切向畸变。

4.3 切向畸变校正流程

校正切向畸变，通常和径向畸变一起做。OpenCV 的 cv2.calibrateCamera() 函数会同时输出径向和切向系数。

具体步骤：

1. 拍摄标定板：多角度拍摄棋盘格或圆点网格。
2. 提取角点：找到标定板上的特征点坐标。
3. 计算参数：用 calibrateCamera() 得到内参矩阵和畸变系数（包括 k1, k2, p1, p2）。
4. 生成映射表：用 initUndistortRectifyMap() 生成校正映射。
5. 应用校正：用 remap() 对每一帧图像进行重映射。

代码示例：

import cv2
import numpy as np

# 假设你已经通过标定得到了以下参数
camera_matrix = np.array([[fx, 0, cx],
                          [0, fy, cy],
                          [0, 0, 1]], dtype=np.float32)
dist_coeffs = np.array([k1, k2, p1, p2, k3], dtype=np.float32)

# 生成校正映射
h, w = image.shape[:2]
mapx, mapy = cv2.initUndistortRectifyMap(camera_matrix, dist_coeffs,
                                         None, camera_matrix,
                                         (w, h), cv2.CV_32FC1)

# 应用校正
undistorted_img = cv2.remap(image, mapx, mapy, cv2.INTER_LINEAR)

4.4 切向畸变的影响与应对

切向畸变对视觉任务的影响，主要体现在：

• 测量误差：在图像边缘，物体的实际位置和测量位置有偏差。
• 拼接错位：多张图像拼接时，边缘的畸变会导致接缝处不连续。
• 三维重建失真：从二维图像恢复三维结构时，畸变会引入系统性误差。

怎么应对？

• 标定要全面：标定板覆盖整个视野，尤其是边缘区域。
• 参数要完整：畸变系数至少包含 k1, k2, p1, p2。
• 验证要严格：校正后，用标定板重新测量，检查残差。