3. 镜头畸变原理

在机器视觉测量与识别任务中，镜头畸变是影响系统精度的首要物理因素。Halcon 的标定流程本质上是在求解镜头畸变模型参数，因此理解畸变的数学来源与成像表现，是正确配置标定板、选择标定算法、评估标定结果的前提。本章从几何光学出发，系统拆解三类畸变的成因、数学模型与工程影响。

3.1 畸变的物理来源与数学模型

理想透镜满足小孔成像模型，即物点、光心、像点三点共线。实际镜头由多组球面透镜构成，光线经过不同折射面时偏离理想路径，导致像点位置偏移。这种偏移在数学上可分解为径向分量、切向分量与薄棱镜分量。

3.1.1 径向畸变（Radial Distortion）

径向畸变是影响最大的畸变成分，源于透镜曲率不完美。光线离光轴越远，折射偏差越大，表现为像点沿径向向内或向外移动。向内收缩称为桶形畸变（常见于广角镜头），向外扩张称为枕形畸变（常见于长焦镜头）。其数学模型采用奇次多项式展开：

x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)
其中 r^2 = x^2 + y^2，x、y 为归一化像平面坐标

Halcon 的 CalibData 中默认使用三个径向系数 k1、k2、k3。对于普通工业镜头，k3 通常不显著；但对于畸变较大的广角镜头或鱼眼镜头，必须启用 k3 才能收敛到亚像素精度。

3.1.2 切向畸变（Tangential Distortion）

切向畸变源于镜头组装时透镜组光轴与图像传感器平面不垂直，或各透镜光轴不完全共线。它导致像点在切线方向产生偏移，数学模型为：

x_distorted = x + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_distorted = y + [p1*(r^2 + 2*y^2) + 2*p2*x*y]

其中 p1、p2 为切向畸变系数。切向畸变通常比径向畸变小一个数量级，但在高精度测量（如 0.01mm 级）中不可忽略。Halcon 标定时默认估计 p1、p2，若镜头质量较好且安装规范，这两个系数会接近零。

3.1.3 薄棱镜畸变（Thin Prism Distortion）

薄棱镜畸变由镜头内部光学元件轻微倾斜或胶合面不均匀引起，等效于在光路中插入一块极薄的楔形棱镜，使整个像面产生线性平移和微小旋转。其数学模型为：

x_distorted = x + s1*r^2 + s2*r^4
y_distorted = y + s3*r^2 + s4*r^4

在 Halcon 的相机模型中，薄棱镜畸变通常不单独建模，而是被切向畸变系数部分吸收。只有在使用高畸变镜头且标定板覆盖全视场时，才需要启用扩展模型。实际工程中，薄棱镜畸变的影响往往小于传感器安装误差，因此多数标定流程将其忽略。

3.2 畸变对测量与识别的影响分析

畸变的影响并非均匀分布，而是随视场位置和测量任务类型而变化。下表总结了不同任务场景下的畸变敏感度：

3.2.1 对测量任务的影响机制

在二维尺寸测量中，畸变导致像点坐标偏离理想位置，直接破坏像素当量（mm/pixel）的一致性。例如，一个 12mm 镜头在 2/3 英寸传感器上，视场边缘的径向畸变可达 0.5%，意味着边缘处 100mm 的实际长度可能被测量为 99.5mm。更严重的是，畸变是非线性的，不能通过简单的比例系数修正。

Halcon 的校正流程通过标定获得畸变系数后，生成校正映射表（map），将畸变图像重采样为理想图像。校正后的图像中，像素当量在全视场保持一致，测量精度可提升至 0.01mm 量级。

3.2.2 对识别任务的影响机制

对于二维码、字符识别（OCR）或物体分类任务，畸变的影响表现为特征点位置偏移。以 DataMatrix 码为例，码点间距在边缘区域被压缩或拉伸，导致网格定位失败。Halcon 的 find_data_code_2d 算子内部会尝试估计畸变，但若畸变过大（如鱼眼镜头），识别率会显著下降。

对于基于形状匹配的识别（find_shape_model），畸变导致模板与搜索图像之间的几何对应关系破坏。Halcon 允许在创建模板时指定 metric 参数为 'ignore_local_polarity' 或使用 'use_polarity'，但最可靠的方式仍是先校正图像再匹配。

3.3 畸变校正的工程流程

在 Halcon 中，畸变校正通常与相机标定同步完成。标准流程如下：

1. 采集标定板图像：至少 10~15 张不同位姿（倾斜、旋转、平移）的图像，覆盖视场各区域。
2. 提取标定板角点：使用 find_calib_object 算子自动检测标定板标记点。
3. 设置初始参数：通过 set_calib_data_cam_param 指定初始焦距、像元尺寸、图像尺寸。
4. 执行标定：调用 calibrate_cameras 求解内参（焦距、畸变系数）和外参（位姿）。
5. 评估结果：检查重投影误差（get_calib_data 获取），通常要求平均误差 < 0.1 像素。
6. 生成校正映射：使用 change_radial_distortion_image 或 gen_radial_distortion_map 生成校正图像。

// Halcon 标定核心代码片段
* 创建标定数据模型
create_calib_data ('calibration_object', 'camera', 1, 1, CalibDataID)
* 设置相机初始参数（面阵相机，焦距 12mm，像元 3.45um）
set_calib_data_cam_param (CalibDataID, 0, 'area_scan_division', [0.012, 0, 0.00000345, 0.00000345, 640, 480, 0, 0])
* 设置标定板描述文件
set_calib_data_calib_object (CalibDataID, 0, 'calplate.cpd')
* 对每张图像提取标记点并关联
for I := 1 to 15 by 1
    read_image (Image, 'calib_' + I$'02d')
    find_calib_object (Image, CalibDataID, 0, 0, I-1, [], [])
endfor
* 执行标定
calibrate_cameras (CalibDataID, Error)
* 获取畸变系数
get_calib_data (CalibDataID, 'camera', 0, 'k1', K1)
get_calib_data (CalibDataID, 'camera', 0, 'k2', K2)
get_calib_data (CalibDataID, 'camera', 0, 'p1', P1)
get_calib_data (CalibDataID, 'camera', 0, 'p2', P2)

3.4 典型场景案例：高精度 PCB 定位

某电子制造产线使用 Halcon 对 PCB 板上的 Mark 点进行定位，以引导贴片机完成元件贴装。系统采用 500 万像素相机搭配 16mm 镜头，视场为 40mm × 30mm。未校正前，边缘区域 Mark 点定位误差达到 ±0.05mm，超出工艺要求（±0.02mm）。

通过 Halcon 标定后，获取的畸变系数为：k1 = -0.0823，k2 = 0.0157，p1 = 0.0004，p2 = -0.0003。重投影误差为 0.06 像素。校正后，边缘区域定位误差降至 ±0.008mm，满足工艺要求。

值得注意的是，该案例中切向畸变系数很小，说明镜头安装质量良好。若 p1、p2 绝对值大于 0.001，应检查镜头接口是否松动或传感器是否倾斜。

3.5 常见误区与复盘