4. 镜头校正：光学暗角、畸变与色差的消除
镜头校正，说白了就是让镜头“说实话”。
再贵的镜头，物理上也不可能完美。光线穿过一堆玻璃片，总会留下各种“副作用”——边缘变暗、直线变弯、彩色条纹。我刚开始做计算摄影时，总觉得算法能搞定一切，结果第一次用廉价镜头拍测试图卡，校正后的图像边缘全是伪影。嗯，从那以后我再也不敢小看镜头校正这一步了。
4.1 光学暗角（Vignetting）的成因与校正
暗角就是照片四角比中心暗的现象。你想想看，为什么会出现这种情况？
4.1.1 成因分析
暗角主要有三种来源：
- 自然暗角（Natural Vignetting）：光线斜射入镜头时，到达传感器边缘的光通量自然比中心少。这是物理定律，躲不开。
- 光学暗角（Optical Vignetting）：镜头镜筒的机械结构遮挡了边缘光线。光圈收小一点会改善。
- 像素暗角（Pixel Vignetting）：传感器像素本身对斜射光的响应不如垂直光。微透镜阵列设计可以缓解。
我的经验： 实际项目中，自然暗角占大头。我用过一款手机镜头，全开光圈时边缘亮度只有中心的40%。校正后虽然能拉回来，但噪点也被放大了——这就是代价。
4.1.2 校正模型
最常用的暗角校正是基于径向衰减模型。说白了，就是用一个多项式来描述亮度从中心到边缘的下降曲线。
// 暗角校正增益计算
// r 为归一化半径（0~1），中心为0，角落为1
// params 为4阶多项式系数 [k0, k1, k2, k3, k4]
float correctVignette(float r, float* params) {
float r2 = r * r;
float r4 = r2 * r2;
float gain = 1.0f
+ params[0] * r2
+ params[1] * r4
+ params[2] * r2 * r4
+ params[3] * r4 * r4;
return gain; // 像素值乘以这个增益
}校正流程分三步：
- 标定：拍一张均匀光照的灰卡，提取每个像素的衰减系数。
- 拟合：用径向多项式拟合衰减曲线，得到4~6个系数。
- 应用：对每张照片，按像素半径计算增益并乘回去。
注意： 校正增益不要超过3倍。我曾经为了追求四角亮度一致，把增益拉到5倍，结果角落的噪点惨不忍睹。暗角校正和降噪要配合着做。
4.2 镜头畸变（Distortion）的数学模型与校正
畸变就是直线变弯了。拍建筑时最明显——楼房的边缘会向外鼓或者向内凹。
4.2.1 畸变类型
| 类型 | 现象 | 常见场景 |
|---|---|---|
| 桶形畸变 | 直线向外弯曲 | 广角镜头、手机主摄 |
| 枕形畸变 | 直线向内弯曲 | 长焦镜头、变焦镜头远端 |
| 须形畸变 | 混合形态 | 变焦镜头中间焦段 |
4.2.2 数学模型
畸变校正的核心是布朗-康拉迪（Brown-Conrady）模型。这个模型把畸变分解为径向分量和切向分量。
// 畸变校正：从畸变坐标映射到理想坐标
// (xd, yd) 为畸变图像坐标（归一化）
// (xu, yu) 为校正后理想坐标
// k1, k2, k3 为径向畸变系数
// p1, p2 为切向畸变系数
void undistortPoint(float xd, float yd,
float& xu, float& yu,
float k1, float k2, float k3,
float p1, float p2) {
float r2 = xd*xd + yd*yd;
float r4 = r2 * r2;
float r6 = r4 * r2;
// 径向畸变
float radial = 1.0f + k1*r2 + k2*r4 + k3*r6;
// 切向畸变
float tx = 2*p1*xd*yd + p2*(r2 + 2*xd*xd);
float ty = p1*(r2 + 2*yd*yd) + 2*p2*xd*yd;
xu = xd * radial + tx;
yu = yd * radial + ty;
}关键点： 畸变校正是“反向映射”——我们遍历校正后的图像，反查它在原图中的位置。这样能避免出现空洞。
4.2.3 校正流程
我习惯用OpenCV的标定流程，但实际项目中会做两点优化：
- 棋盘格标定：拍20~30张不同角度的棋盘格照片，提取角点。
- 参数优化：用Levenberg-Marquardt算法最小化重投影误差。
- 查表加速：把映射关系预计算成LUT，运行时直接查表。
避坑指南： 我曾经用15张棋盘格标定，结果畸变校正后边缘还是有残留弯曲。后来增加到30张，覆盖了画面各个区域，效果才稳定。标定照片数量不能省。
4.3 色差（Chromatic Aberration）的检测与消除
色差就是物体边缘出现红/蓝或紫/绿的条纹。说白了，是不同波长的光在镜头里折射率不同，导致它们聚焦不到同一个点上。
4.3.1 色差分类
| 类型 | 表现 | 成因 |
|---|---|---|
| 纵向色差 | 焦平面偏移，红蓝模糊程度不同 | 不同波长聚焦距离不同 |
| 横向色差 | 边缘出现彩色条纹，红蓝向两侧分离 | 不同波长放大率不同 |
4.3.2 检测方法
我常用的检测方法是梯度相关法：
- 将图像分解为R、G、B三个通道。
- 计算每个通道的梯度幅值。
- 在边缘区域，比较R和B通道的梯度方向差异。
- 如果差异超过阈值，标记为色差区域。
// 横向色差检测：计算R和B通道的偏移量
// 返回水平方向的像素偏移
float detectLateralCA(const float* r_channel,
const float* b_channel,
int width, int height) {
float total_offset = 0.0f;
int count = 0;
for (int y = 1; y < height-1; y++) {
for (int x = 1; x < width-1; x++) {
// 计算R通道水平梯度
float gx_r = r_channel[y*width + x+1]
- r_channel[y*width + x-1];
// 计算B通道水平梯度
float gx_b = b_channel[y*width + x+1]
- b_channel[y*width + x-1];
// 梯度幅值足够大才统计
if (fabs(gx_r) > 0.1f && fabs(gx_b) > 0.1f) {
// 偏移量 = 梯度方向差异
float offset = (gx_r - gx_b) /
(fabs(gx_r) + fabs(gx_b) + 1e-6f);
total_offset += offset;
count++;
}
}
}
return total_offset / count;
}4.3.3 消除策略
色差消除分两步走：
- 横向色差：对R和B通道做局部缩放。以G通道为参考，用多项式拟合R和B的缩放系数。
- 纵向色差：对R和B通道做局部去模糊。用维纳滤波或RL反卷积，恢复清晰度。
注意： 色差校正不要过度。我曾经在一个高反差场景（白墙前的黑树枝）上做色差消除，结果把树枝边缘的紫色条纹去掉了，但同时也把树枝本身的纹理抹平了。校正强度要控制在肉眼可见但不过度的范围。
4.4 知识体系总览
下面这张图总结了镜头校正的完整流程和三个核心模块的关系：
4.5 校正顺序与工程实践
三个校正步骤的顺序不能乱。我踩过这个坑：
- 先做暗角校正：因为暗角校正会改变像素亮度，影响后续梯度计算。
- 再做畸变校正：畸变校正会重映射像素位置，色差校正依赖空间一致性。
- 最后做色差消除：色差检测需要准确的边缘信息，前面的校正能提供更干净的边缘。
工程建议： 在移动端实现时，把三个校正合并成一个LUT。输入像素坐标，直接输出校正后的像素值和增益。这样能省掉三次插值，性能提升明显。我在一个项目中用这个方法，把单帧处理时间从15ms降到了5ms。
嗯，镜头校正这部分就讲到这里。记住一个原则：校正不是万能的，过度校正比不校正更糟糕。保留一点物理缺陷，往往比强行拉平所有指标更自然。