3. 校正算法原理：反向映射与插值、双线性插值、最近邻插值、查表法(LUT)加速
好，我们进入第三讲。前面聊了畸变模型和相机标定，那些都是理论基础。今天要讲的，才是真正跑在GPU或FPGA上的核心逻辑——校正算法本身。
说白了，你拿到了相机内参和畸变系数，知道了每个像素理论上该去哪，但怎么把“理论位置”变成“实际像素值”？这就是映射和插值要解决的问题。
核心观点：实时畸变校正的本质，是一个“已知目标坐标，反查源图坐标，再插值采样”的过程。顺序搞反了，性能直接崩盘。
3.1 反向映射：为什么不能正向推？
刚接触这个领域时，我第一反应是：既然知道源图每个像素的畸变偏移，那直接正向映射不就行了？
嗯，试过一次你就明白了。正向映射有两个致命问题：
- 空洞：源图多个像素可能映射到目标图的同一个位置，而有些位置却没人管，出现黑点。
- 重叠：多个源像素挤到同一个目标像素，你得做融合，计算量翻倍。
所以工业界清一色用反向映射。流程是这样的：
- 遍历目标图每个像素坐标 (u, v)。
- 用畸变模型反算出它在源图上的对应坐标 (x, y)。
- 从源图 (x, y) 附近采样像素值，填回 (u, v)。
你想想看，这样每个目标像素只查一次源图，没有空洞，没有重叠，逻辑干净利落。
我的习惯：在项目初期，我会先用OpenCV的 cv::initUndistortRectifyMap 生成反向映射表，验证畸变参数是否正确。这一步跑通了，再考虑优化。
3.2 插值：从浮点坐标到像素值
反向映射算出来的 (x, y) 几乎不可能是整数。比如算出来是 (102.3, 768.7)，那这个点的像素值是多少？
你需要插值。这里我重点讲两种：最近邻和双线性。它们也是实际部署中最常用的。
3.2.1 最近邻插值
最简单粗暴的方法：找离 (x, y) 最近的整数像素点，直接拿它的值。
// 最近邻插值伪代码
int x_int = round(x);
int y_int = round(y);
pixel_value = src[y_int][x_int];优点：快，真的快。一个round指令加一次内存访问。
缺点：图像边缘会出现锯齿，文字线条会断裂。我在一个工业字符识别项目里试过，识别率直接掉了12%。
避坑指南：我曾经在一个高帧率(120fps)的无人机图传项目里用了最近邻，结果地面站看到的电线杆全是锯齿状。后来换成双线性，虽然帧率降了5%，但画质提升是肉眼可见的。所以，除非你对帧率有极端要求，否则别用最近邻。
3.2.2 双线性插值
这是工业界的标配。它用 (x, y) 周围4个整数像素，按距离加权平均。
公式其实不复杂：
// 双线性插值伪代码
int x0 = floor(x), x1 = x0 + 1;
int y0 = floor(y), y1 = y0 + 1;
float dx = x - x0;
float dy = y - y0;
// 先对x方向插值两次
float top = src[y0][x0] * (1 - dx) + src[y0][x1] * dx;
float bottom = src[y1][x0] * (1 - dx) + src[y1][x1] * dx;
// 再对y方向插值
pixel_value = top * (1 - dy) + bottom * dy;你看，一共7次乘法、4次加法、2次floor。计算量不大，但效果比最近邻好太多了。
| 插值方法 | 计算量 | 画质 | 适用场景 |
|---|---|---|---|
| 最近邻 | 极低 | 差（锯齿） | 实时预览、缩略图 |
| 双线性 | 低 | 良好 | 通用校正、视频流 |
| 双三次 | 高 | 优秀 | 离线处理、医疗影像 |
我的建议：在实时系统中，双线性插值是性价比最高的选择。双三次虽然画质更好，但计算量翻了几倍，帧率往往扛不住。
3.3 查表法(LUT)加速：把计算变成查表
好，现在问题来了。你每处理一帧1920x1080的图像，就要做200多万次反向映射计算。每次映射都涉及三角函数、多项式求值……CPU直接冒烟。
怎么办？查表法（LUT，Look-Up Table）。
思路很简单：既然畸变参数是固定的，那每个目标像素对应的源图坐标也是固定的。我提前算好，存成一张表。运行时直接查表，省掉所有浮点运算。
具体来说，LUT通常包含两个通道：
- MapX：存储每个目标像素对应的源图x坐标（浮点或定点）。
- MapY：存储对应的源图y坐标。
运行时流程变成：
// LUT加速后的校正流程
for each pixel (u, v) in target image:
x = lut_x[v][u]; // 查表，一次内存访问
y = lut_y[v][u]; // 查表，一次内存访问
pixel_value = bilinear_interpolate(src, x, y); // 只做插值你看，原来最耗时的畸变模型计算被完全移到了预处理阶段。运行时只剩下查表和插值。
性能数据：我在一个嵌入式平台上做过对比。纯计算映射，1080p图像每帧耗时约35ms。换成LUT后，降到8ms。4倍以上的提升，而且LUT越大，效果越明显。
3.4 知识结构图：校正算法全景
下面这张图总结了整个校正算法的知识体系，你可以对照着梳理思路。
3.5 LUT的工程落地要点
理论说完了，聊点实际的。LUT不是建好就能跑满帧率的，有几个坑你得注意：
- 精度选择：LUT里的坐标用float还是定点数？float精度高，但占用带宽大。我在一个FPGA项目里用了Q16.16定点格式，精度够用，带宽减半。
- 缓存友好：LUT是按行存储的。访问时尽量保持空间局部性，避免跳跃式查表。否则cache miss会吃掉你的性能优势。
- 更新频率：如果相机参数不变，LUT只需生成一次。但如果用了变焦镜头或自动对焦，LUT需要动态更新。这时候要考虑双缓冲机制。
我曾经踩过的坑：在一个4K分辨率的项目中，我直接用float32存储LUT，结果内存带宽被打满，帧率反而比纯计算还低。后来改成uint16定点格式，配合双线性插值时的定点运算，带宽降了40%，帧率才达标。
好了，这一讲的核心就这些。反向映射解决“从哪采”的问题，双线性插值解决“怎么采”的问题，LUT解决“采得快”的问题。三者配合，才是工业级实时畸变校正的基石。