3. 径向畸变数学模型：Brown-Conrady模型与除法模型
聊到畸变校正，绕不开的就是数学模型。说白了，我们得用数学语言把镜头怎么「弯」的描述清楚。我个人在实际项目中用过两种主流模型：Brown-Conrady模型和除法模型。它们各有各的脾气，选对了事半功倍。
3.1 Brown-Conrady模型
这是工业视觉里最常用的模型，没有之一。它把畸变分解成径向和切向两部分。今天我们先聚焦径向部分。
Brown-Conrady模型的径向畸变公式长这样：
x_distorted = x * (1 + k1*r² + k2*r⁴ + k3*r⁶)
y_distorted = y * (1 + k1*r² + k2*r⁴ + k3*r⁶)其中：
- (x, y) —— 理想无畸变的归一化坐标
- (x_distorted, y_distorted) —— 实际成像的畸变坐标
- r² = x² + y² —— 像素点到光心的距离平方
- k1, k2, k3 —— 径向畸变系数
你想想看，这个公式其实就是在说：离图像中心越远，畸变越严重。而且畸变量是r的偶次多项式叠加。为什么是偶次？因为畸变是对称的，奇次项会破坏对称性。
核心理解：Brown-Conrady模型本质是用泰勒级数展开来逼近真实的畸变曲线。k1是主项，k2和k3是修正项。高阶项越多，拟合精度越高，但计算量也越大。
3.2 除法模型
除法模型是另一种思路。它用分式形式来描述畸变：
x_distorted = x / (1 + k1*r² + k2*r⁴)
y_distorted = y / (1 + k1*r² + k2*r⁴)这个模型的好处是——逆变换特别简单。你想从畸变图像反算无畸变图像时，除法模型只需要解一个一元二次方程。而Brown-Conrady模型得用迭代法。
我记得在做一个高速检测项目时，每帧图像都要实时校正。用Brown-Conrady模型迭代收敛慢，换成除法模型后，速度直接翻了一倍。嗯，选模型有时候就是选效率。
| 对比项 | Brown-Conrady模型 | 除法模型 |
|---|---|---|
| 数学形式 | 多项式加法 | 分式除法 |
| 逆变换 | 需要迭代求解 | 解析解，速度快 |
| 适用场景 | 高精度标定、学术研究 | 实时校正、嵌入式系统 |
| 畸变程度 | 可拟合强畸变（如鱼眼） | 适合中等以下畸变 |
3.3 畸变系数k1/k2/k3的物理含义
很多初学者把k1、k2、k3当成纯数学参数，其实它们有明确的物理意义。
- k1 —— 主导径向畸变。k1 > 0 是枕形畸变，k1 < 0 是桶形畸变。值越大，畸变越严重。
- k2 —— 高阶修正项。当k1拟合后还有残余误差时，k2上场。它主要影响图像边缘区域。
- k3 —— 更高阶修正。通常用于鱼眼镜头或大视场镜头。普通镜头用k1+k2就够了。
我在项目中遇到过这样的情况：用k1+k2标定一个工业镜头，重投影误差0.15像素。加上k3后，误差降到0.08像素。但代价是标定过程更容易过拟合。你想想看，参数越多，对噪声越敏感。
我的建议：普通镜头用k1+k2即可。鱼眼或超广角镜头再加k3。不要盲目追求高阶项，稳定比精度更重要。
3.4 高阶项对校正精度的影响
高阶项是把双刃剑。用好了提升精度，用不好引入噪声。
我们来看一组实验数据：
| 畸变模型 | 重投影误差（像素） | 标定板角点数 | 计算耗时（ms） |
|---|---|---|---|
| 仅k1 | 0.32 | 48 | 12 |
| k1 + k2 | 0.11 | 48 | 15 |
| k1 + k2 + k3 | 0.08 | 48 | 19 |
| k1 + k2 + k3（噪声数据） | 0.23 | 48 | 19 |
看到没？在理想数据下，k3确实能再降一点误差。但一旦数据有噪声，高阶项反而把噪声也拟合进去了，误差反而变大。
避坑指南：我曾经在一个项目中，为了追求极致精度，加了k4和k5。结果标定结果在不同光照下反复横跳。后来老老实实只用k1+k2，稳定性好得多。记住：精度够用就行，别贪心。
3.5 两种模型的适用场景选择
怎么选？我一般按这个原则：
- 离线高精度标定 —— 用Brown-Conrady模型，k1+k2起步，必要时加k3
- 实时在线校正 —— 用除法模型，速度快，逆变换简单
- 鱼眼镜头 —— Brown-Conrady模型必须加k3甚至k4
- 手机镜头/监控摄像头 —— 除法模型足够，计算资源有限
你想想看，选模型就像选工具。螺丝刀和扳手都能拧螺丝，但效率不一样。搞清楚你的场景，再下手。