1. 畸变校正基础：从成像模型到数学参数

各位同学好。我是老张，在嵌入式视觉领域摸爬滚打了十几年。今天咱们开始《实时畸变校正系统部署与性能调优》的第一章。

畸变校正，说白了就是让拍出来的照片「变直」。你想想看，广角镜头拍出来的建筑边缘是弯的，鱼眼镜头更是夸张得像哈哈镜。这些都不是镜头坏了，而是光学系统的物理限制。我们要做的，就是用数学模型把这些弯曲「拉直」。

嗯，这一章是地基。地基不牢，后面部署和优化全是空中楼阁。咱们从最基础的相机成像模型讲起。

1.1 相机成像模型：小孔成像的数学化

相机成像，本质上就是小孔成像。但现实中没人用小孔，都用透镜。透镜让更多光线进来，但也带来了畸变。

数学上，我们用一个理想模型来描述这个过程——针孔相机模型。它把三维世界映射到二维图像平面。

λ * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

这里我要强调一下内参矩阵 K，它长这样：

K = [fx,  0, cx;
      0, fy, cy;
      0,  0,  1]

fx、fy 是焦距（以像素为单位），cx、cy 是光心偏移。这些参数怎么来的？标定来的。我当年第一次做标定，用棋盘格拍了50张图，结果标出来的 cx 是负数……后来发现是图像坐标系搞反了。这种坑，你们迟早也会踩。

1.2 畸变从哪来？径向畸变与切向畸变

理想模型很完美，但现实很骨感。透镜的物理形状和装配误差，让光线发生了偏移。这就是畸变。

畸变分两大类：

1.2.1 径向畸变

这是最常见的畸变。原因很简单——透镜表面的曲率不是完美的球面，尤其是边缘部分。光线越靠近边缘，折射角度偏差越大。

径向畸变有两种表现：

• 桶形畸变：图像向外膨胀，像木桶。广角镜头常见。
• 枕形畸变：图像向内收缩，像枕头。长焦镜头常见。

数学上，我们用泰勒级数来建模：

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 是像素到光心的距离，k1、k2、k3 是径向畸变系数。r 越大，畸变越明显。所以画面边缘的弯曲最严重。

1.2.2 切向畸变

切向畸变是「装配病」。透镜和成像平面不平行，有夹角。光线穿过时发生了切向偏移。

数学表达式：

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]

p1、p2 是切向畸变系数。这个畸变通常很小，但在高精度测量场景（比如机器视觉定位）里，必须校正。

1.3 畸变数学模型与参数总览

好了，我们把所有畸变参数汇总一下。OpenCV 等工具库用的就是这套模型。

这些参数合起来，就是相机的内参。标定的目的，就是求出这组参数。

1.4 知识体系：一张图看懂畸变校正

下面这张 SVG 图，把整个畸变校正的知识脉络串起来了。你仔细看一遍，后面几章的内容其实都在这张图里。

1.5 避坑指南：我踩过的三个坑

讲完理论，分享几个实战教训。这些坑我当年都踩过，你们能绕就绕。

1. 标定板不平：我曾经用一张打印在A4纸上的棋盘格，贴在纸箱上标定。结果纸面有褶皱，标出来的畸变系数全是错的。后来换了玻璃基板的陶瓷标定板，一次过。标定板必须平整，这是铁律。
2. 图像数量不够：有人觉得拍三五张就能标定。我告诉你，至少15-20张，覆盖不同角度和距离。我习惯拍30张，剔除模糊的，留20张好的。数量不够，参数方差大，校正效果不稳定。
3. 忽略切向畸变：很多教程只讲径向畸变。但在高精度场景（比如机械臂视觉抓取），切向畸变会导致定位偏差几个像素。我做过一个项目，忽略切向畸变，抓取误差0.5mm，加上后降到0.1mm。所以，别偷懒。