4. 畸变校正评估：如何通过校正后的图像直线度来评估畸变校正效果

标定做完，内参外参都算出来了，接下来最要紧的一件事——验证畸变校正到底行不行。

我见过不少项目，标定误差看着挺小，0.1 个像素都不到，结果一校正图像，直线全弯了。为什么？因为标定板上的点拟合得好，不代表图像边缘的畸变被完美消除了。说白了，标定误差是数值指标，直线度才是视觉指标。

这一章，我就带你走一遍用直线度评估畸变校正效果的方法，顺便把 map_image 这个关键算子讲透。

4.1 为什么直线度是畸变校正的“照妖镜”

畸变校正的本质，是把图像里弯曲的直线拉直。所以最直接的验证方式，就是找一张校正后的图像，在上面取几条本该是直线的边缘，量一量它们到底有多直。

你想想看，如果校正参数有偏差，图像中心区域可能还好，但边缘区域——尤其是四个角附近——直线会变成 S 形或者弧形。肉眼有时候看不出来，但用算法一量，偏差就现原形了。

我在一个 PCB 检测项目里就吃过这个亏。当时标定误差 0.08 像素，觉得稳了。结果用校正后的图像去测焊盘间距，边缘的测量值总是跳。后来一查，是畸变校正没到位，图像四角的直线偏了将近 2 个像素。从那以后，直线度验证就成了我标定流程里的固定环节。

4.2 核心工具：map_image 到底怎么用

在 HALCON 里做畸变校正，绕不开 map_image。它的作用是把原始图像按照一张“映射表”重新采样，生成校正后的图像。

基本用法很简单：

* 读取标定结果
read_cam_par('calib_data/camera_params.dat', CamParam)
read_calib_data('calib_data/calib_result.dat', CalibData)

* 生成映射表
gen_radial_distortion_map(Map, CamParam, 'calibrated', 'bilinear')

* 执行校正
map_image(Image, Map, ImageRectified)

这里有个关键点——gen_radial_distortion_map 的第三个参数。用 'calibrated' 表示输出校正后的图像，用 'undistorted' 表示输出无畸变图像。两者区别在于：

我个人习惯在标定验证阶段用 'calibrated'，因为这样能直接对比校正前后的图像，看直线度的改善情况。

4.3 直线度评估的完整流程

好，现在图像校正完了，怎么量化直线度？我一般分四步走：

1. 选线：在图像中找一条理论上应该是直线的边缘（比如标定板的边缘、工件的直边、或者特意放置的直线标靶）。
2. 提取亚像素轮廓：用 edges_sub_pix 提取边缘，得到一系列点坐标。
3. 拟合直线：用 fit_line_contour_xld 拟合一条理想直线。
4. 计算偏差：计算每个边缘点到拟合直线的距离，取最大值或均方根误差作为直线度指标。

代码实现大概是这样的：

* 提取边缘
edges_sub_pix(ImageRectified, Edges, 'canny', 1.5, 20, 40)

* 选择一条直线边缘（假设是第一条）
select_obj(Edges, LineEdge, 1)

* 拟合直线
fit_line_contour_xld(LineEdge, 'tukey', -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist)

* 计算每个点到直线的距离
distance_contours_xld(LineEdge, LineEdge, 'point_to_line', Distances)

* 获取最大偏差和均方根误差
tuple_max(Distances, MaxDev)
tuple_mean(Distances, MeanDev)
tuple_deviation(Distances, StdDev)

得到 MaxDev 和 StdDev 之后，我一般这样判断：

• MaxDev < 0.3 像素：校正效果优秀，可以用于高精度测量。
• MaxDev 0.3 ~ 0.8 像素：校正效果良好，大多数视觉应用都能接受。
• MaxDev > 0.8 像素：需要检查标定数据，或者重新采集标定图像。

4.4 知识结构：畸变校正评估的核心逻辑

下面这张图把整个评估流程串起来了，你可以对照着看：

4.5 避坑指南：我踩过的几个坑

直线度评估看起来简单，但实际操作中容易翻车。我把自己踩过的坑列出来，你遇到了可以少走弯路：

• 别用标定板上的圆点来评估直线度。圆点中心拟合出来的直线，精度受圆点提取算法影响，不能真实反映畸变校正效果。我建议用标定板的物理边缘，或者单独放一把直尺在视野里。
• 注意图像边缘的插值伪影。校正后的图像边缘区域，因为重采样，可能会出现 0.1~0.2 像素的锯齿。这不是畸变校正的问题，是插值算法的固有限制。评估时可以把边缘区域排除掉，或者用 'bicubic' 插值减轻这个问题。
• 多测几条线，别只测一条。我一般会在图像的上、下、左、右、四个角各取一条直线，共 8 条线，取它们的最大偏差作为最终指标。这样能覆盖整个视场。
• 曾经有一次，我测出来的直线度一直很好，但实际测量精度就是上不去。后来发现，我选的直线都在图像中心区域，边缘的畸变根本没测到。从那以后，我强制自己每次评估都选边缘的线。

4.6 进阶：自动化直线度评估脚本

如果你需要批量验证多组标定结果，可以写一个自动化脚本。核心思路是：

1. 在图像中预设几个 ROI，覆盖不同区域。
2. 在每个 ROI 内自动提取最长的直线边缘。
3. 计算每条线的直线度，输出统计报告。

代码骨架如下：

* 定义ROI区域（假设图像尺寸为 2448x2048）
ROIs := [gen_rectangle1(0, 0, 200, 200),  * 左上角
         gen_rectangle1(0, 2248, 200, 2448),  * 右上角
         gen_rectangle1(1848, 0, 2048, 200),  * 左下角
         gen_rectangle1(1848, 2248, 2048, 2448)]  * 右下角

* 遍历每个ROI
for i := 1 to 4 by 1
    reduce_domain(ImageRectified, ROIs[i], ImageROI)
    edges_sub_pix(ImageROI, Edges, 'canny', 1.5, 20, 40)
    
    * 取最长的边缘
    length_xld(Edges, Lengths)
    tuple_sort_index(Lengths, Indices)
    select_obj(Edges, LongestEdge, Indices[|Indices|-1])
    
    * 拟合直线并计算偏差
    fit_line_contour_xld(LongestEdge, 'tukey', -1, 0, 5, 2, _, _, _, _, _, _, _)
    distance_contours_xld(LongestEdge, LongestEdge, 'point_to_line', Distances)
    tuple_max(Distances, MaxDev)
    
    * 记录结果
    Results[i-1] := MaxDev
endfor

这样跑一遍，你就能得到整个视场的直线度分布。如果某个区域的偏差明显偏大，说明那个区域的畸变校正没做好，可能需要重新采集该区域的标定图像。