2. 数学模型：径向畸变与切向畸变的数学表达（Brown-Conrady模型）

聊到畸变校正，就绕不开一个核心模型——Brown-Conrady模型。这个模型在工业界和学术界都相当普及，说白了，它就是一套描述镜头畸变的数学公式。我个人习惯把它当作“畸变世界的通用语言”，掌握了它，你就能看懂大部分标定工具的输出。

2.1 畸变从哪来？先分清楚两类

镜头畸变主要分两种：径向畸变和切向畸变。嗯，这里要注意，它们不是独立存在的，实际镜头里往往是两者叠加。

• 径向畸变：光线通过镜头中心时，折射路径偏离了理想直线。离中心越远，变形越明显。我遇到过不少新手，以为只有鱼眼镜头才有径向畸变，其实普通广角镜也一样，只是程度不同。
• 切向畸变：这通常是因为镜头模组装配时，透镜光轴没有完全对齐传感器平面。说白了，就是“装歪了”。

你想想看，如果只校正径向畸变而忽略切向畸变，图像边缘的直线还是会弯曲，只是弯曲的方向不同罢了。

2.2 Brown-Conrady模型的数学表达

Brown-Conrady模型的核心思想是：用多项式拟合畸变偏移量。它把畸变分解为径向分量和切向分量，分别建模。

假设理想归一化坐标为 (x, y)，畸变后的坐标为 (x_d, y_d)，那么：

x_d = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_d = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + [p1*(r^2 + 2*y^2) + 2*p2*x*y]

其中：

• r^2 = x^2 + y^2，表示像素到光心距离的平方
• k1, k2, k3 是径向畸变系数
• p1, p2 是切向畸变系数

这个公式看起来有点吓人，但拆开看其实很简单：前半部分是径向校正，后半部分是切向校正。

2.3 径向畸变：桶形与枕形

径向畸变有两种典型形态：

• 桶形畸变：k1 < 0，图像边缘向外凸出，像木桶一样。广角镜头最常见。
• 枕形畸变：k1 > 0，图像边缘向内凹陷，长焦镜头容易出现。

我曾经在调试一款车载环视镜头时，发现 k1 值竟然达到了 -0.35，边缘的直线弯得跟弓一样。校正后，整个画面才恢复正常。

2.4 切向畸变：透镜偏移的代价

切向畸变的公式里，p1 和 p2 分别对应水平和垂直方向的偏移。它们的影响通常比径向畸变小一个数量级，但绝不能忽略。

举个例子：如果 p1 = 0.001，p2 = -0.0005，在图像角落（比如 r=0.8 处），切向偏移可能达到 2-3 个像素。对于高精度测量来说，这已经不可接受了。

2.5 模型参数的实际意义

为了让你更直观地理解这些参数，我整理了一个表格：

参数	典型范围	物理意义	我的建议
k1	-0.5 ~ 0.5	主要径向畸变强度	必须估计
k2	-0.2 ~ 0.2	高阶径向畸变	建议估计
k3	-0.1 ~ 0.1	更高阶畸变	鱼眼镜头才用
p1	-0.01 ~ 0.01	水平切向偏移	必须估计
p2	-0.01 ~ 0.01	垂直切向偏移	必须估计

2.6 从畸变坐标到像素坐标

上面讨论的都是归一化坐标（焦距 f=1 时的坐标）。要得到实际像素坐标，还需要乘上相机内参矩阵：

u = fx * x_d + cx
v = fy * y_d + cy

其中 fx, fy 是焦距（像素单位），cx, cy 是光心坐标。这一步其实就是把畸变校正后的坐标映射到图像平面上。

我建议你在实际项目中，先用 OpenCV 的 cv::fisheye::undistortImage 或 cv::undistort 函数验证模型参数是否正确。如果校正后的图像边缘直线还是弯的，那多半是参数没估计准。

2.7 知识体系总览

下面这张 SVG 图总结了 Brown-Conrady 模型的完整逻辑：

这张图清晰地展示了从理想坐标到像素坐标的完整流程：先分别计算径向和切向畸变，叠加得到畸变坐标，再通过内参矩阵映射到像素平面。我在做项目时，经常把这张图贴在工位上，方便随时对照。

---

好了，Brown-Conrady 模型的数学表达就讲到这里。记住：模型是工具，理解它背后的物理意义才是关键。下一章我们会聊聊如何用 OpenCV 实际标定这些参数，到时候我会分享一些踩坑经验。