Undistortion(去畸变)

Kinger2026/7/23大约 4 分钟

去畸变（Undistortion / 畸变矫正） 是计算机视觉和图像处理中的一项经典前置技术。

它的核心目的，是通过数学映射和像素重排，把物理镜头（尤其是广角、鱼眼镜头）拍出来的“弯曲、扭曲”的画面，还原成完全符合理想针孔相机模型（Pinhole Model）的、横平竖直、符合人类真实透视视觉的图像。

下面为你拆解去畸变的物理本质、数学模型以及在工业界（如 OpenCV 或 GPU 算子中）的具体做法：

理想的相机模型（针孔模型）假设光线是沿直线传播并投影到传感器上的。但在现实中，为了获得更大的视野，镜头的镜片往往具有弧度。光线穿过镜头边缘时会发生偏折，导致成像出现几何扭曲：

如果不做去畸变，图像中的像素点位置就是“歪”的。这会导致后续的 AI 目标检测、车道线识别、SLAM 空间建图、或者多模态雷达点云融合等算法出现极其严重的物理位置偏差。

工业界最通用的是 Brown-Conrady 模型。它把镜头畸变拆解为两大物理分量：

由镜头的物理形状导致，越靠近图像边缘，扭曲越严重。数学上用围绕图像中心的泰勒级数来逼近，畸变系数通常记为 $k_1, k_2, k_3$：

$$
x_{\text{distorted}} = x(1 + k_1r^2 + k_2r^4 + k_3r^6)
$$

$$
y_{\text{distorted}} = y(1 + k_1r^2 + k_2r^4 + k_3r^6)
$$

(其中 $r^2 = x^2 + y^2$，代表像素点到图像中心的物理距离)

由于镜头组在装配、制造时，镜片与图像传感器（CMOS）表面没有做到绝对平行而导致的透视偏折。畸变系数记为 $p_1, p_2$：

$$
x_{\text{distorted}} = x_{\text{radial}} + [2p_1xy + p_2(r^2 + 2x^2)]
$$

$$
y_{\text{distorted}} = y_{\text{radial}} + [p_1(r^2 + 2y^2) + 2p_2xy]
$$

通过这组公式，只要知道了相机的畸变系数（$k_1, k_2, k_3, p_1, p_2$），就能精准算出一个平直空间里的坐标在扭曲图像上的具体落点。

在实际工程中（例如使用 OpenCV 库或在 GPU 上手写高性能推理算子），去畸变通常遵循以下闭环流水线：

去畸变的前提是必须知道相机的“基因密码”（参数）。

做法：使用打印好的黑白棋盘格或圆点标定板（张正友标定法），让相机从不同角度拍几十张照片。
输出：算法通过识别棋盘格的角点，计算出相机的内参矩阵 $K$（包含焦距 $f_x, f_y$ 和光心位置 $c_x, c_y$）以及上述的畸变系数（$k_1, k_2, p_1, p_2...$）。

得到了参数后，开始处理图像。去畸变的算法执行逻辑在物理上是“反向推导”的：

建格子：算法首先创建一幅空的、目标“去畸变后”的理想长方形新图。
反向投射：遍历新图中的每一个像素坐标 $(x_{\text{rect}}, y_{\text{rect}})$。利用相机内参和上面的畸变公式，反向计算出这个点在原始畸变老图上的物理真实坐标 $(x_{\text{distorted}}, y_{\text{distorted}})$。
注意：算出来的老图坐标通常是带小数点的浮点数。

因为老图上的坐标是浮点数（比如 $x=12.4, y=45.8$），无法直接对应物理像素点。
算法会使用双线性插值（Bilinear Interpolation），抓取该浮点数四周最近的 4 个真实像素颜色，加权计算出最终颜色，精准地赋给新图对应的位置。

把一个碗状弯曲的画面强行扯平，图像的四个角会被极度拉伸。此时会出现一个两难的抉择：

保留完整视野（最大 FOV）：画面拉直后，四周会留下大面积没有像素的黑色盲区（图像变成风筝状或漏斗状）。
裁剪黑边（标准长方形）：为了让图像好看，强行切掉黑边，只保留中间完好的长方形矩形。这会导致图像边缘有一部分视野被白白裁剪掉，使得相机的 FOV（视场角）变小。

在工业应用（如自动驾驶感知的多相机拼接）中，通常会使用诸如 OpenCV 的 cv2.getOptimalNewCameraMatrix 函数，通过调整缩放参数（alpha）来定量调节去畸变后的裁剪比例，从而在“画面完整度”与“FOV 视场角大小”之间取得最佳的平衡。