OpenCV镜头畸变校正：原理、实战与优化

1. 畸变系数基础概念解析

在计算机视觉和摄影测量领域，镜头畸变是每个从业者都必须面对的现实问题。当我第一次用鱼眼镜头拍摄棋盘格时，原本笔直的线条变成了弯曲的弧线，这才意识到畸变校正的重要性。OpenCV作为计算机视觉的瑞士军刀，提供了一套完整的畸变处理方案，而理解畸变系数正是掌握这套方案的关键。

畸变系数本质上是一组描述镜头成像缺陷的数学参数。就像配眼镜时需要验光师测量你的散光度数一样，相机标定过程中我们要测量的就是这些"光学缺陷"的参数。OpenCV主要处理两种基本畸变类型：径向畸变和切向畸变，它们就像镜头的"近视"和"散光"问题。

径向畸变会使图像像气球一样向外膨胀（桶形畸变）或向内凹陷（枕形畸变），这种变形沿着半径方向发生。切向畸变则是因为镜头与成像平面不平行导致的，就像斜着看镜子产生的变形。在实际应用中，特别是使用广角镜头或低质量摄像头时，这两种畸变往往同时存在。

经验之谈：工业相机镜头的畸变通常比消费级相机更严重，因为前者更注重通光量和耐用性而非成像质量。我在某生产线检测项目中使用的一款500万像素工业相机，其径向畸变系数k1就达到了-0.3左右，必须进行精确校正才能保证测量精度。

2. OpenCV中的畸变模型详解

2.1 畸变系数在OpenCV中的表示

OpenCV使用5个参数来描述镜头的畸变特性，这组参数通常被称为distCoeffs。在最新的OpenCV版本中，这个向量可以扩展至8个、12个甚至14个参数，但核心的5参数模型已经能满足大多数应用场景：

python复制distCoeffs = [k1, k2, p1, p2, k3]  # 基本5参数模型

其中k1、k2、k3控制径向畸变，p1、p2控制切向畸变。这就像用不同剂量的"矫正药物"来治疗不同的"视力问题"。在我的实际项目中，发现对于普通镜头，k3的影响往往可以忽略不计，但在鱼眼镜头上，保留k3就非常必要。

2.2 径向畸变的数学模型

径向畸变的校正公式看起来有些吓人，但其实理解起来并不难：

x_corrected = x(1 + k1r² + k2r⁴ + k3r⁶)
y_corrected = y(1 + k1r² + k2r⁴ + k3r⁶)

这里r是从图像中心到当前点的距离（归一化坐标）。这个多项式