一、畸变校正概述：从物理成因到实战路径

各位同学，欢迎来到《径向畸变与切向畸变校正全流程实战》的第一章。

我是你们这门课的主讲。在计算机视觉领域摸爬滚打了十几年，我处理过无数张“拍歪了”、“拍变形了”的图像。说实话，畸变校正这件事，看起来是个小环节，但做不好，后面的三维重建、SLAM、自动驾驶感知，全都会崩。

这一章，我们先不急着写代码。先把“敌人”搞清楚——镜头畸变到底是什么？它从哪来？我们为什么要跟它死磕？最后，我会给你一张整个课程的知识地图，让你心里有数。

1.1 什么是镜头畸变？

简单说，镜头畸变就是相机拍出来的图像，跟你理想中的“真实世界”不一样了。本该是直线的，变成了曲线；本该是正方形的，变成了枕形或桶形。

为什么会这样？因为镜头是物理器件，不是完美的针孔模型。光线穿过透镜组时，会发生折射、偏移。你想想看，一个凸透镜，边缘和中心对光线的弯曲能力能一样吗？当然不一样。

1.2 径向畸变与切向畸变的物理成因

畸变主要分两类。我个人习惯把它们叫做“大头症”和“歪脖子病”。

径向畸变：光线弯曲的“大头症”

径向畸变，说白了就是光线在透镜边缘比在中心弯得更厉害。这跟透镜的球面形状直接相关。

• 桶形畸变（负畸变）：图像中心向外“鼓”出来，像木桶。常见于广角镜头、鱼眼镜头。我早期做无人机测绘时，用GoPro拍的画面，那桶形畸变简直惨不忍睹。
• 枕形畸变（正畸变）：图像边缘向内“缩”进去，像枕头。常见于长焦镜头。

数学上，径向畸变用泰勒级数展开来建模。我们通常只用到前三项（k1, k2, k3），高阶项对普通镜头贡献很小，反而容易过拟合。

// 径向畸变模型（归一化坐标）
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

切向畸变：装配误差的“歪脖子病”

切向畸变，成因是镜头组的光学中心没有严格对齐，或者CMOS传感器跟镜头不平行。说白了，就是装配公差。

嗯，这里要注意：切向畸变在廉价摄像头或手机广角镜头上特别明显。我曾经拆过一个行车记录仪，镜头拧歪了，拍出来的画面就像脖子歪了一样，一边高一边低。

// 切向畸变模型
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

1.3 为什么需要校正？

你可能会问：“图像有点变形，看着也挺有艺术感的，为什么非要校正？”

因为计算机视觉不是给人看的，是给算法看的。算法需要精确的几何关系。

应用场景	不校正的后果	我的亲身经历
自动驾驶	车道线检测为曲线，障碍物测距偏差数米	有一次标定没做好，前车距离误差30%，差点追尾测试假车
无人机测绘	正射影像拼接错位，面积测量误差超5%	我见过一个团队，因为畸变没校，整个三维模型重建出来是扭曲的
手机摄影	人像边缘变形，建筑线条弯曲	现在旗舰手机都内置了实时畸变校正，不然拍集体照边缘的人脸会拉长
工业视觉检测	尺寸测量不准，定位抓取失败	精密装配线上，0.1mm的误差就是废品

1.4 课程整体知识图谱与学习路径

好了，理论铺垫完了。下面这张图，是我亲手画的整个课程的知识结构。你跟着这个路径走，30章下来，能成为畸变校正的高手。

整个课程分四个阶段：

1. 基础理论（第1-3章）：搞懂相机模型、坐标系、畸变数学公式。这是地基，别跳。
2. 标定与工具（第4-15章）：手把手教你用OpenCV做棋盘格标定、设计标定板、处理标定数据。这部分我会给很多代码。
3. 校正与优化（第16-27章）：图像重映射、双线性插值、精度评估、实时校正。嗯，这里有很多坑，我会一一指出来。
4. 综合实战（第28-30章）：自动驾驶环视系统、无人机正射影像、手机摄影校正。三个完整项目，带你走通全流程。