计算机视觉中的镜头畸变校正与OpenCV实践

1. 畸变系数在计算机视觉中的核心作用

镜头畸变是每个计算机视觉工程师在实际项目中都会遇到的经典问题。当我们需要将三维世界通过镜头映射到二维图像时，理想情况下希望保持直线仍然是直线。但现实中的镜头由于光学特性限制，总会引入不同程度的畸变，导致图像边缘的直线出现弯曲。这种畸变在广角镜头中尤为明显，会直接影响后续的图像测量、三维重建、目标识别等任务的精度。

OpenCV作为计算机视觉领域的事实标准库，提供了完整的畸变模型和校正工具链。理解畸变系数的物理意义和计算方法，是进行高精度视觉系统标定的基础技能。我在工业检测项目中发现，即使是0.1个像素的畸变校正误差，也可能导致最终测量结果出现毫米级的偏差。

2. 畸变模型的数学原理详解

2.1 径向畸变：桶形与枕形失真

径向畸变是镜头畸变的主要来源，表现为图像点沿径向方向的位移。OpenCV采用Brown-Conrady模型，用k1、k2、k3三个系数描述这种非线性变形：

code复制x_corrected = x(1 + k1*r² + k2*r⁴ + k3*r⁶)
y_corrected = y(1 + k1*r² + k2*r⁴ + k3*r⁶)

其中r² = x² + y²，表示点到图像中心的归一化距离。我在无人机航拍项目中实测发现，对于普通镜头，k1通常占主导作用；而鱼眼镜头的k2、k3系数会显著增大。

经验提示：实际标定时不要盲目使用三阶系数。当图像分辨率较低时，k3可能导致数值不稳定，建议先尝试k1、k2的组合。

2.2 切向畸变：镜头装配误差

切向畸变来源于镜头与传感器平面的不平行安装，用p1、p2两个系数描述。其数学模型为：

code复制x_corrected = x + [2p1xy + p2(r²+2x²)]
y_corrected = y + [p1(r²+2y²) + 2p2xy]

工业相机经过精密装配后，切向畸变通常很小。但在我们自制的树莓派相机模组中，p1、p2系数可能达到10^-3量级，不可忽略。

3. 实际标定流程与技巧

3.1 标定板选择与拍摄要点

使用棋盘格标定板时，建议：

• 选择奇数行偶数列的棋盘（如7x8）
• 标定板应占据图像1/3~1/2面积
• 拍摄15-20张不同角度的图像（包含边缘区域）