一、畸变基础：什么是广角镜头畸变？
大家好，我是你们这堂课的主讲人。做了十几年光学设计和计算机视觉，我经手的镜头没有一千也有八百了。今天咱们聊一个老生常谈、但又绕不开的话题——广角镜头畸变。
说白了，畸变就是镜头“撒谎”了。你明明拍的是笔直的墙缝，照片里它却弯了。你明明拍的是方方正正的棋盘格，照片里它却鼓起来了或者瘪下去了。这不是镜头坏了，这是物理规律在作祟。
核心定义：畸变（Distortion）是光学系统对物体成像时，因放大率随视场变化而产生的几何形变。它不影响图像的清晰度，但会改变物体的形状和位置关系。
1.1 桶形畸变：为什么会“鼓”起来？
桶形畸变，英文叫 Barrel Distortion。你想想看，一个木桶是什么形状？中间鼓、两头收。没错，桶形畸变就是图像中心区域被“撑大”了，边缘区域被“压缩”了。
成因：这主要跟广角镜头的结构有关。为了把更宽的视野塞进小小的传感器，镜头前组镜片必须做得非常“弯”。光线经过这些镜片时，边缘视场的光线偏折角度比中心更大，导致边缘的放大率小于中心。结果就是——中心的像素被“挤”得更大，边缘的像素被“拉”得更小。
我记得有一次做车载环视系统，用了四颗超广角镜头。拼接出来的全景图，地面上的停车线全是弯的，像一朵花。嗯，那就是典型的桶形畸变在捣乱。
视觉特征：
- 直线向外弯曲，像“）（”的形状
- 图像中心区域看起来“凸”出来
- 边缘物体被压缩，显得更小、更远
- 常见于广角镜头、鱼眼镜头、手机前置摄像头
我的小经验：判断桶形畸变有个土办法——拍一堵砖墙。如果墙缝在画面中间是直的，到了两边却向外弯，那就是桶形畸变。我曾经用这个办法帮一个学生快速定位了他手机镜头的畸变问题，省去了复杂的仪器测量。
1.2 枕形畸变：为什么会“瘪”下去？
枕形畸变，Pincushion Distortion，顾名思义，像枕头一样——四个角被“拉”出去了，中间反而“瘪”了。
成因：枕形畸变通常出现在长焦镜头或变焦镜头的长焦端。它的成因跟桶形畸变正好相反——边缘视场的放大率大于中心视场。说白了，边缘的像素被“拉”得更大了，中心的像素相对被“压缩”了。
为什么会这样？这跟镜头的后组结构有关。长焦镜头为了校正色差和球差，后组镜片往往设计得比较复杂。光线经过这些镜片时，边缘光线被过度“拉伸”，就产生了枕形畸变。
我个人习惯把这两种畸变记成一句话：“广角桶，长焦枕”。你想想看，广角镜头视野宽，像桶一样能装；长焦镜头视野窄，像枕头一样扁。虽然不严谨，但好记。
视觉特征：
- 直线向内弯曲，像“）（”的反向——其实是“）（”的镜像
- 图像四角被“拉”向画面中心
- 边缘物体被拉伸，显得更大、更近
- 常见于长焦镜头、变焦镜头的长焦端、某些望远镜
注意：枕形畸变在视觉上比桶形畸变更“隐蔽”。因为人眼对画面边缘的变形不太敏感，但一旦你把它跟真实场景对比，就会发现四角的直线全都弯了。我曾经在无人机测绘项目中吃过这个亏——拍出来的正射影像，四角的建筑物全都变形了，导致三维重建精度严重下降。
1.3 两种畸变的对比
为了让你更直观地理解，我整理了一个对比表。这个表在我做镜头选型时经常用到，分享给你：
| 对比项 | 桶形畸变 | 枕形畸变 |
|---|---|---|
| 英文名 | Barrel Distortion | Pincushion Distortion |
| 形状比喻 | 木桶（中间鼓） | 枕头（四角鼓） |
| 直线弯曲方向 | 向外弯曲（凸） | 向内弯曲（凹） |
| 放大率变化 | 中心 > 边缘 | 边缘 > 中心 |
| 常见镜头 | 广角、鱼眼、手机前置 | 长焦、变焦长焦端 |
| 视觉影响 | 边缘物体被压缩 | 边缘物体被拉伸 |
| 校正难度 | 相对容易（参数少） | 相对复杂（参数多） |
1.4 畸变的知识体系
下面这张图是我自己画的，帮你理清这一章的核心逻辑。你看完应该能明白：畸变不是孤立的问题，它跟镜头类型、视场大小、校正方法都紧密相关。
1.5 一个简单的畸变检测代码
光说不练假把式。我写了一个简单的 Python 代码，用 OpenCV 检测一张棋盘格图像的畸变程度。你可以在自己的电脑上跑一下试试。
import cv2
import numpy as np
# 读取棋盘格图像
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 寻找棋盘格角点
ret, corners = cv2.findChessboardCorners(gray, (9, 6), None)
if ret:
# 绘制角点
cv2.drawChessboardCorners(img, (9, 6), corners, ret)
# 计算畸变系数（这里只是演示，实际需要多张图标定）
# 假设我们已经有了相机矩阵和畸变系数
# 这里用一组示例数据
mtx = np.array([[800, 0, 320],
[0, 800, 240],
[0, 0, 1]], dtype=np.float32)
dist = np.array([-0.3, 0.1, 0, 0, 0], dtype=np.float32) # 桶形畸变
# 去畸变
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Undistorted', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
else:
print("未找到棋盘格角点，请检查图像")
避坑指南：我曾经在标定相机时，只用了一张棋盘格图像就跑去算畸变系数，结果校正出来的图像比原来还歪。后来才意识到——单张图像无法解出完整的畸变参数，至少需要10-20张不同角度、不同位置的棋盘格图像。嗯，这个坑我替你踩过了。
1.6 小结
这一章我们聊了畸变的基础知识。说白了，桶形畸变和枕形畸变就是镜头“放大率不均匀”导致的两种典型变形。一个像桶，一个像枕。记住那句口诀——“广角桶，长焦枕”，以后看到照片变形，你就能快速判断是哪种畸变了。
下一章我们会深入聊畸变的数学模型和标定方法。到时候我会手把手教你用张正友标定法算畸变系数。嗯，那才是真正硬核的东西。
公众号:蓝海资料掘金营，微信deep3321