1. 鱼眼图像校正概述

鱼眼镜头这东西，我第一次接触是在一个全景监控项目里。甲方要求一个摄像头看住整个大厅，普通镜头根本做不到，最后只能上鱼眼。结果画面是拍全了，但人都是弯的——嗯，这就是我们今天要聊的核心问题。

说白了，鱼眼图像校正就是把那些扭曲得不成样子的画面，还原成我们肉眼看着舒服的样子。这活儿看着简单，做起来门道不少。

鱼眼镜头的成像原理

普通镜头追求的是「所见即所得」，光线直线传播，成像符合小孔成像模型。鱼眼镜头不一样，它故意让光线弯着走。

怎么做到的呢？前组镜片做得特别凸，像个半球一样鼓出来。光线射进来先被狠狠折射一次，然后才进入后面的镜组。这样一来，原本只能看到 50° 视野的传感器，硬生生能拍到 180° 甚至 220°。

我习惯把鱼眼镜头的成像模型分成两类：

• 等距投影模型：入射角与像高成正比。这是最常见的模型，OpenCV 里用的就是它。
• 等立体角投影模型：入射角与像高满足正弦关系。某些全景相机用这个。
• 正交投影模型：入射角与像高满足正弦关系，但角度范围有限。
• 体视投影模型：保持局部角度不变，适合做全景拼接。

实际项目中，我遇到过最头疼的事：同一款镜头，不同批次的光学参数居然有差异。所以千万别信厂家给的那张参数表，老老实实自己标定才是正道。

畸变类型：径向畸变与切向畸变

鱼眼镜头的畸变不是一种，是两种叠加的结果。我刚开始做校正时没分清这两者，结果调了半天效果都不对。

畸变类型	产生原因	表现特征	校正难度
径向畸变	镜片曲率导致光线弯曲	直线变曲线，越靠边缘越明显	中等，可用多项式拟合
切向畸变	镜片与传感器不平行	画面倾斜、梯形失真	较低，通常用仿射变换

径向畸变

这是鱼眼镜头的主要畸变。你想想看，一个直线从画面中心延伸到边缘，在鱼眼图像里就变成了一条弧线。为什么会这样？因为镜头对边缘光线的折射率比中心大。

数学上通常用泰勒级数展开来描述：

// 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，k1、k2、k3 是畸变系数

我记得有一次做车载环视系统，用了 4 个鱼眼镜头。每个镜头的 k1、k2 都不一样，最离谱的那个 k1 值比标称大了 30%。从那以后，我养成了一个习惯：每个镜头单独标定，绝不复用参数。

切向畸变

切向畸变相对好理解。镜片安装时不可能平行于传感器平面，哪怕偏了 0.1°，画面就会出现梯形失真。

校正公式也不复杂：

// 切向畸变模型
x_distorted = x + (2*p1*x*y + p2*(r² + 2*x²))
y_distorted = y + (p1*(r² + 2*y²) + 2*p2*x*y)

// p1、p2 是切向畸变系数

实际项目中，切向畸变通常比径向畸变小一个数量级。但别忽视它——在精度要求高的场景（比如视觉测量），这点偏差足以让结果不可用。

校正的必要性与应用场景

为什么要校正？说白了，鱼眼图像虽然看得广，但人眼看着难受，机器也认不出来。我见过一个安防项目，人脸识别算法在鱼眼图像上直接崩溃——因为人脸都变形了，特征点根本对不上。

校正的必要性体现在三个层面：

1. 人眼可读性：监控画面、全景照片，用户需要看到正常的画面。
2. 算法兼容性：目标检测、人脸识别、SLAM 等算法，大多假设输入是透视图像。
3. 测量精度：畸变会引入像素级误差，影响距离、角度等测量结果。

应用场景我列几个典型的：

• 车载环视系统：4-6 个鱼眼镜头拼接成 360° 鸟瞰图，每个镜头必须先校正再拼接。
• 安防监控：一个鱼眼摄像头覆盖整个大厅，校正后可以分区查看。
• 全景相机：消费级全景相机（如 Insta360）内部都在做实时校正。
• 视觉 SLAM：鱼眼镜头视野大，特征点丰富，但必须先校正才能用传统算法。
• 工业检测：管道内壁检测、大范围表面缺陷检测。

下面这张图是我自己整理的鱼眼图像校正知识体系，帮你快速建立整体认知：

嗯，这一章的内容就到这里。鱼眼图像校正不是一锤子买卖，从理解成像原理到标定畸变系数，每一步都有坑。后面我们会深入具体的校正算法，到时候再细聊。