3. 畸变模型与校正：从理论到OpenCV实战
聊到镜头畸变，我得先坦白一件事。刚入行那会儿，我以为标定就是算个内参矩阵完事。结果第一次做广角模组的图像拼接，接缝处怎么都对不齐。折腾了两天，才发现是畸变校正没做干净。嗯，从那以后，我再也不敢小看这几个畸变系数了。
说白了，畸变就是镜头这个物理器件不完美。光线穿过透镜时，走的路径跟理想的小孔成像模型有偏差。这种偏差主要分两类：径向畸变和切向畸变。今天咱们就把它们彻底讲透。
核心结论：畸变校正是标定流程中承上启下的一步。内参告诉你“像素对应什么方向”，畸变系数告诉你“这个方向偏了多少”。两者缺一不可。
3.1 径向畸变：桶形与枕形
径向畸变，顾名思义，是沿着镜头半径方向发生的变形。光线离光心越远，偏折越厉害。你想想看，这其实是个物理规律——透镜边缘的折射率跟中心不一样。
具体表现有两种：
- 桶形畸变：画面中心向外膨胀，直线向外弯曲。常见于广角镜头、鱼眼镜头。我做过一个行车记录仪项目，原图拍出来像哈哈镜，就是典型的桶形畸变。
- 枕形畸变：画面中心向内收缩，直线向内弯曲。常见于长焦镜头、变焦镜头的长焦端。做安防监控的同行应该深有体会。
数学上怎么描述？用泰勒展开。径向畸变模型通常取前两项或前三项：
x_distorted = x * (1 + k1 * r² + k2 * r⁴ + k3 * r⁶)
y_distorted = y * (1 + k1 * r² + k2 * r⁴ + k3 * r⁶)其中 r 是像素点到光心的归一化距离。k1、k2、k3 就是径向畸变系数。k1 主导畸变趋势——k1 为正时是枕形，k1 为负时是桶形。k2、k3 用来补偿高阶误差，尤其是鱼眼镜头，k3 几乎必用。
我的经验：普通手机镜头用 k1、k2 就够了。鱼眼或超广角必须加 k3。我曾经在 120° 视场角的模组上只用了 k1、k2，校正后边缘还是有 3-5 个像素的残余误差，加上 k3 才压到 1 像素以内。
3.2 切向畸变：镜头装配的“原罪”
切向畸变，说白了就是镜头没装正。CMOS 传感器平面跟透镜光轴不垂直，或者透镜组内部镜片有偏心。这种畸变会让图像产生“梯形”或“平行四边形”的拉伸感。
数学模型长这样：
x_distorted = x + [2 * p1 * x * y + p2 * (r² + 2 * x²)]
y_distorted = y + [p1 * (r² + 2 * y²) + 2 * p2 * x * y]p1、p2 就是切向畸变系数。注意，切向畸变跟径向畸变是耦合的，标定时要一起优化。
我遇到过最夸张的一次——某款车载模组，产线上装偏了 0.5 度。标定出来的 p1 值比正常大了 10 倍。校正后画面才恢复正常。所以切向畸变系数其实也是个“质检指标”，数值异常大，基本可以判定装配有问题。
避坑指南：切向畸变校正会轻微改变图像的宽高比。如果你做的是测量类应用（比如双目测距），校正后一定要重新计算内参，不能直接用原始内参。
3.3 畸变系数总览
OpenCV 标定后返回的畸变系数向量 dist_coeffs 通常有 5 个元素：
| 参数 | 含义 | 典型范围 | 备注 |
|---|---|---|---|
| k1 | 径向畸变一阶系数 | -0.5 ~ 0.5 | 主导畸变方向 |
| k2 | 径向畸变二阶系数 | -0.3 ~ 0.3 | 补偿高阶误差 |
| p1 | 切向畸变一阶系数 | -0.05 ~ 0.05 | 反映装配偏心 |
| p2 | 切向畸变二阶系数 | -0.05 ~ 0.05 | 同上 |
| k3 | 径向畸变三阶系数 | -1.0 ~ 1.0 | 鱼眼镜头必用 |
注意，有些标定算法会输出 8 个参数（k1~k6 + p1~p2），但 5 参数模型已经能覆盖 99% 的消费级模组。
3.4 畸变校正的核心逻辑
校正过程其实是个“反向映射”。你想想看：我们已知畸变图上的每个像素是怎么偏过来的，现在要把它拉回正确位置。但直接正向计算会有空洞，所以 OpenCV 用的是反向映射 + 插值。
流程如下：
- 对校正图上的每个像素 (u, v)，用内参反算到归一化坐标 (x, y)。
- 用畸变模型计算畸变后的坐标 (x', y')。
- 再用内参投影回畸变图上的像素位置 (u', v')。
- 在 (u', v') 周围做双线性插值，得到 (u, v) 的像素值。
这个流程看起来简单，但计算量不小。一张 1080p 的图像，逐像素算一遍，在 ARM 平台上可能要几十毫秒。所以工业上常用查表法——提前算好映射表，运行时直接查。
下面这张图展示了整个畸变校正的流程：
3.5 OpenCV 去畸变实战
理论讲完了，上代码。OpenCV 提供了两个核心函数：cv::undistort 和 cv::initUndistortRectifyMap + cv::remap。前者一步到位，适合调试；后者分两步，适合生产环境。
3.5.1 一步到位：undistort
#include <opencv2/opencv.hpp>
cv::Mat img = cv::imread("distorted.jpg");
cv::Mat cameraMatrix = (cv::Mat_<double>(3,3) <<
800, 0, 640,
0, 800, 480,
0, 0, 1);
cv::Mat distCoeffs = (cv::Mat_<double>(1,5) <<
-0.25, 0.05, 0.001, 0.002, 0.0);
cv::Mat undistorted;
cv::undistort(img, undistorted, cameraMatrix, distCoeffs);
cv::imwrite("undistorted.jpg", undistorted);这段代码看起来简单，但有个坑——undistort 内部会重新计算一个内参矩阵，默认是跟原内参一样。如果你希望保留更多边缘视野，可以传一个新的内参进去。
我的习惯：调试阶段用 undistort，快速看效果。但上线前一定会换成 initUndistortRectifyMap + remap，因为后者可以提前算好映射表，运行时只做查表和插值，性能好很多。
3.5.2 生产级方案：initUndistortRectifyMap + remap
cv::Mat map1, map2;
cv::Size imageSize = img.size();
// 计算映射表
cv::initUndistortRectifyMap(
cameraMatrix, distCoeffs, cv::Mat(),
cameraMatrix, imageSize, CV_32FC1, map1, map2);
// 应用映射表
cv::Mat undistorted;
cv::remap(img, undistorted, map1, map2, cv::INTER_LINEAR);
// 后续帧只需调用 remap，map1/map2 不变
for (int i = 0; i < 100; i++) {
cv::Mat frame = captureFrame();
cv::Mat corrected;
cv::remap(frame, corrected, map1, map2, cv::INTER_LINEAR);
processFrame(corrected);
}注意 CV_32FC1 这个类型。map1 存 x 方向的映射坐标，map2 存 y 方向。用浮点精度，插值才准确。有些同学为了省内存用 CV_16SC2，精度会损失，边缘容易出现锯齿。
3.5.3 参数调优建议
校正效果好不好，关键看几个参数：
| 参数 | 影响 | 调优方向 |
|---|---|---|
| alpha | 控制校正后图像的裁剪范围 | alpha=0 全裁剪（无黑边），alpha=1 保留全部像素（有黑边） |
| 插值方法 | 影响图像清晰度 | INTER_LINEAR 通用，INTER_CUBIC 更锐但慢，INTER_NEAREST 最快但有锯齿 |
| newCameraMatrix | 校正后的虚拟内参 | 可用 getOptimalNewCameraMatrix 自动计算 |
我曾经踩过的坑：alpha 设成 0 时，虽然画面没有黑边，但边缘区域会被严重拉伸，导致分辨率下降。做测量应用时，建议 alpha 设 0.5 以上，保留更多原始信息。做视觉美化（比如美颜相机），alpha 设 0 反而更讨喜。
3.6 验证校正效果
校正做没做好，不能光靠眼睛看。我一般用三个指标量化：
- 直线度检测：用棋盘格或直线测试卡，校正后检测直线上的点偏离拟合直线的 RMS 误差。好的校正应该 < 0.5 像素。
- 重投影误差：用标定时的角点，计算校正前后位置偏差。这个值在标定阶段就应该 < 0.1 像素。
- 边缘分辨率：校正后边缘区域的 MTF 不应下降超过 10%。如果下降太多，说明畸变模型阶数不够，或者插值方法太粗糙。
嗯，到这里，畸变模型和校正的核心内容就讲完了。记住一句话：畸变校正是标定流程的“临门一脚”，参数对了，后面所有图像处理才能站得稳。