4、畸变模型与校正：径向畸变（桶形/枕形）、切向畸变、畸变系数、OpenCV去畸变函数详解

在3D视觉定位与标定中，镜头畸变是影响测量精度的核心误差源之一。理想的小孔成像模型假设光线沿直线传播，但实际镜头由于光学设计、装配公差和制造工艺限制，会使成像点偏离理想位置。本章系统讲解畸变的数学模型、分类、系数含义以及OpenCV中的校正实现。

4.1 畸变来源与分类

镜头畸变主要分为两类：径向畸变（Radial Distortion）和切向畸变（Tangential Distortion）。径向畸变由镜片曲率引起，切向畸变由镜头与成像平面不平行（装配误差）导致。

4.2 径向畸变：桶形与枕形

径向畸变是沿镜头径向方向发生的非线性偏移。根据偏移方向分为两种典型形态：

• 桶形畸变（Barrel Distortion）：图像点向光心方向收缩，直线向外弯曲，常见于广角镜头和鱼眼镜头。
• 枕形畸变（Pincushion Distortion）：图像点远离光心方向拉伸，直线向内弯曲，常见于长焦镜头和变焦镜头中段。

径向畸变的数学模型使用泰勒级数展开，在归一化相机坐标系下表示为：

// 径向畸变校正公式
x_distorted = x * (1 + k₁ * r² + k₂ * r⁴ + k₃ * r⁶)
y_distorted = y * (1 + k₁ * r² + k₂ * r⁴ + k₃ * r⁶)

其中：
  (x, y) —— 理想归一化坐标
  (x_distorted, y_distorted) —— 实际畸变坐标
  r² = x² + y² —— 像素到光心的径向距离平方
  k₁, k₂, k₃ —— 径向畸变系数

4.3 切向畸变模型

切向畸变主要由镜头模组装配时传感器平面与镜头光轴不垂直引起，也称为离心畸变（Decentering Distortion）。其数学模型为：

// 切向畸变校正公式
x_distorted = x + [2 * p₁ * x * y + p₂ * (r² + 2 * x²)]
y_distorted = y + [p₁ * (r² + 2 * y²) + 2 * p₂ * x * y]

其中：
  p₁, p₂ —— 切向畸变系数
  r² = x² + y²

4.4 畸变系数向量与OpenCV表示

在OpenCV中，畸变系数以5元素或8元素向量形式存储，顺序固定：

4.5 OpenCV去畸变函数详解

OpenCV提供两套核心去畸变函数，分别适用于单帧图像校正和逐像素映射场景：

4.5.1 cv::undistort() —— 一键式图像校正

// C++ 接口
void cv::undistort(
    InputArray src,          // 输入畸变图像
    OutputArray dst,         // 输出校正图像
    InputArray cameraMatrix, // 相机内参矩阵 (3x3)
    InputArray distCoeffs,   // 畸变系数向量 (4/5/8元素)
    InputArray newCameraMatrix = noArray() // 可选：新内参矩阵
);

// Python 接口
import cv2
dst = cv2.undistort(src, cameraMatrix, distCoeffs, None, newCameraMatrix)

函数内部流程：

1. 根据内参矩阵和畸变系数，计算每个输出像素对应的输入像素坐标（反向映射）。
2. 使用双线性插值或最近邻插值，从输入图像中采样像素值。
3. 如果提供了newCameraMatrix，可同时调整焦距和主点位置（常用于裁剪黑边或调整视场角）。

4.5.2 cv::initUndistortRectifyMap() + cv::remap() —— 高性能映射

// C++ 接口
cv::Mat map1, map2;
cv::initUndistortRectifyMap(
    cameraMatrix, distCoeffs, R, newCameraMatrix,
    size, CV_32FC1, map1, map2
);
cv::remap(src, dst, map1, map2, INTER_LINEAR);

// Python 接口
map1, map2 = cv2.initUndistortRectifyMap(
    cameraMatrix, distCoeffs, R, newCameraMatrix,
    (width, height), cv2.CV_32FC1
)
dst = cv2.remap(src, map1, map2, cv2.INTER_LINEAR)

4.6 去畸变效果验证与常见问题

校正完成后，建议通过以下方法验证畸变校正质量：

• 直线度检查：在图像中选取明显直线边缘（如标定板边界、建筑轮廓），观察校正后是否恢复为直线。
• 重投影误差：使用标定板角点，计算校正后角点与理想投影点的均方根误差（RMS），通常应小于0.5像素。
• 棋盘格交比验证：校正后棋盘格各格子边长比例应趋于一致，边缘与中心格子面积差异应小于1%。

4.7 畸变校正完整代码示例

// C++ 完整示例：畸变校正（高性能路径）
#include <opencv2/opencv.hpp>

int main() {
    // 1. 加载标定参数（示例值）
    cv::Mat cameraMatrix = (cv::Mat_<double>(3,3) <<
        800.0, 0.0,    640.0,
        0.0,    800.0, 480.0,
        0.0,    0.0,    1.0);
    cv::Mat distCoeffs = (cv::Mat_<double>(1,5) <<
        -0.15, 0.05, 0.001, -0.002, 0.01);

    // 2. 读取畸变图像
    cv::Mat src = cv::imread("distorted_image.jpg");
    if (src.empty()) return -1;

    // 3. 计算最优新内参（保留最大有效像素）
    cv::Size imageSize = src.size();
    cv::Mat newCameraMatrix = cv::getOptimalNewCameraMatrix(
        cameraMatrix, distCoeffs, imageSize, 1.0, imageSize, nullptr);

    // 4. 预计算映射表
    cv::Mat map1, map2;
    cv::initUndistortRectifyMap(
        cameraMatrix, distCoeffs, cv::Mat(),
        newCameraMatrix, imageSize, CV_32FC1, map1, map2);

    // 5. 批量校正（此处仅演示单帧）
    cv::Mat dst;
    cv::remap(src, dst, map1, map2, cv::INTER_LINEAR);

    // 6. 保存结果
    cv::imwrite("undistorted_image.jpg", dst);
    return 0;
}

# Python 完整示例：畸变校正（单帧路径）
import cv2
import numpy as np

# 1. 标定参数
camera_matrix = np.array([[800.0, 0.0, 640.0],
                          [0.0, 800.0, 480.0],
                          [0.0, 0.0, 1.0]], dtype=np.float64)
dist_coeffs = np.array([-0.15, 0.05, 0.001, -0.002, 0.01], dtype=np.float64)

# 2. 读取图像
src = cv2.imread('distorted_image.jpg')
if src is None:
    exit()

# 3. 直接校正（单帧场景）
h, w = src.shape[:2]
new_camera_matrix, roi = cv2.getOptimalNewCameraMatrix(
    camera_matrix, dist_coeffs, (w, h), 1.0, (w, h))
dst = cv2.undistort(src, camera_matrix, dist_coeffs, None, new_camera_matrix)

# 4. 裁剪黑边（可选）
x, y, w_roi, h_roi = roi
dst_cropped = dst[y:y+h_roi, x:x+w_roi]

# 5. 保存
cv2.imwrite('undistorted_image.jpg', dst_cropped)