径向畸变原理：桶形与枕形畸变的数学描述

聊到镜头畸变，咱们得先从最直观的两种形态说起——桶形畸变和枕形畸变。我在刚入行做相机标定时，第一次看到标定板图像边缘弯成那样，还以为是镜头摔坏了。后来才明白，这其实是广角镜头的「天性」。

桶形畸变 vs 枕形畸变

说白了，这两种畸变都是图像放大率随视场角变化导致的。你想想看，理想镜头应该让所有区域的放大率一致，但现实中的镜头做不到。

畸变类型	表现特征	常见场景
桶形畸变	图像中心向外膨胀，直线向外弯曲	广角镜头、手机前置摄像头
枕形畸变	图像边缘向内收缩，直线向内弯曲	长焦镜头、变焦镜头远端

为什么会这样？桶形畸变是因为镜头边缘的放大率比中心小，导致边缘像素被「压缩」到更小的区域，看起来就像桶壁向外鼓。枕形畸变正好相反——边缘放大率大于中心，像素被「拉伸」，图像边缘向内收。

Brown-Conrady 模型中的径向畸变参数

嗯，这里要进入数学描述了。别怕，我尽量讲得接地气些。

目前工业界最常用的畸变模型是 Brown-Conrady 模型。它用一个多项式来描述畸变偏移量：

// 归一化坐标下的径向畸变模型
x_distorted = x * (1 + k1 * r² + k2 * r⁴ + k3 * r⁶)
y_distorted = y * (1 + k1 * r² + k2 * r⁴ + k3 * r⁶)

// 其中 r² = x² + y²
// (x, y) 是归一化后的理想坐标
// (x_distorted, y_distorted) 是实际畸变后的坐标

这里 k1, k2, k3 就是径向畸变参数。我个人的习惯是：

• k1：主导项，决定畸变的主要方向和强度。k1 > 0 是枕形畸变，k1 < 0 是桶形畸变。
• k2：高阶修正项，校正 k1 无法完全描述的畸变残余。
• k3：更高阶项，通常用于大视场角或鱼眼镜头。

畸变程度与镜头焦距的关系

这个问题我在项目中被问过很多次。简单说：焦距越短，畸变越明显。

为什么？因为短焦距镜头（广角）的视场角大，光线从不同角度进入镜头时，折射路径差异更大。你可以想象一下：

• 长焦镜头（焦距 > 50mm）：视场角小，光线近乎平行入射，畸变很小，甚至接近零。
• 标准镜头（35mm-50mm）：畸变轻微，肉眼不易察觉。
• 广角镜头（焦距 < 24mm）：畸变明显，尤其是边缘区域。
• 鱼眼镜头（焦距 < 16mm）：畸变极大，k1 的值可能超过 0.1。

径向畸变的知识体系

下面这张图帮你理清本章的核心逻辑：

参数的实际物理意义

我建议你把 k1、k2、k3 理解成「畸变的三个层次」：

• k1 是粗调：它决定了畸变是桶形还是枕形，以及大致的畸变强度。在 OpenCV 标定结果中，k1 的典型范围是 -0.5 到 +0.5。
• k2 是微调：它修正 k1 无法完全拟合的畸变残余。k2 的数值通常比 k1 小 1-2 个数量级。
• k3 是精细修正：只在极端大视场角下才需要。我见过一些鱼眼镜头的 k3 值在 10⁻⁵ 量级，几乎可以忽略。

焦距与畸变的关系总结

最后，我用一个表格帮你快速对照：

镜头类型	焦距范围	畸变类型	k1 典型值	是否需要 k3
鱼眼镜头	< 16mm	桶形（强烈）	-0.3 ~ -0.1	是
广角镜头	16mm - 24mm	桶形（中等）	-0.1 ~ -0.02	否
标准镜头	35mm - 50mm	轻微桶形或枕形	±0.01 以内	否
长焦镜头	> 85mm	枕形（轻微）	0.01 ~ 0.05	否

嗯，到这里径向畸变的原理就讲清楚了。记住一句话：畸变是镜头的「出厂设置」，不是缺陷，而是物理规律。我们后面要做的，就是用数学模型把这个「设置」反向补偿回去。