一、畸变概述：从一张“变形”的照片说起
你有没有拍过这样的照片——明明笔直的建筑边缘，在画面里却变成了弧线？或者人脸在镜头边缘被拉得不成比例？嗯，这就是我们今天要聊的畸变。
说白了，畸变就是镜头“撒谎”了。它没能忠实地把现实世界的直线还原成直线。我做了这么多年成像系统，可以负责任地告诉你：没有畸变的镜头，在物理上是不存在的。区别只在于，畸变是大是小，你能不能接受。
1.1 什么是镜头畸变？
镜头畸变，专业定义是：光学系统对物体所成的像，相对于物体本身发生的几何变形。它属于单色像差的一种，不影响图像的清晰度（分辨率），但严重影响图像的几何位置精度。
举个例子。你拍一张方格纸，理想情况下，所有格子都是正方形。但实际拍出来，边缘的格子可能变成了“桶形”或“枕形”。这就是畸变最直观的表现。
核心概念：畸变是“位置误差”，不是“模糊”。一个畸变大的镜头，可能锐度很好，但直线拍出来就是弯的。
1.2 畸变的物理成因——光学像差理论
为什么会发生畸变？这得从光线穿过镜头说起。
我简单解释一下。镜头是由多片透镜组成的。光线经过不同曲率的透镜表面时，会发生折射。理想情况下，不同视场角的光线应该汇聚到像面上对应的位置。但实际镜头做不到完美——离光轴越远的光线，受到的折射角度偏差越大。
具体来说，畸变主要来自两个方面：
- 主光线像差：主光线（通过光阑中心的光线）在像面上的实际交点，偏离了理想位置。这是畸变的直接原因。
- 镜头结构不对称：比如广角镜头的前组镜片很大、很弯，边缘光线入射角极大，折射后偏移量非线性增加。
我记得刚入行时，师傅跟我说过一句话：“畸变是镜头设计里最难完全消除的像差之一，因为它和视场角的平方成正比。” 你想想看，视场角越大，畸变越难压住。这也是为什么超广角镜头畸变普遍偏大的原因。
避坑指南：我曾经在选型工业镜头时，只看分辨率参数，忽略了畸变指标。结果装到机器视觉系统上，测量精度死活达不到要求。后来才发现，0.5%的畸变在视场边缘造成了十几个像素的偏移。从那以后，我选镜头必看畸变曲线图。
1.3 畸变对成像质量的影响
畸变的影响，分场景看。有些场景无所谓，有些场景则是灾难。
| 应用场景 | 畸变容忍度 | 典型影响 |
|---|---|---|
| 日常摄影、短视频 | 较高（可后期校正） | 建筑边缘弯曲，人像脸部拉宽 |
| 机器视觉、尺寸测量 | 极低（<0.1%） | 测量数据偏差，定位不准 |
| 无人机测绘、遥感 | 极低（需严格标定） | 拼接错位，地理信息失真 |
| 医疗内窥镜 | 中等（需校正） | 病灶位置判断偏差 |
| VR/AR头显 | 极低 | 视觉疲劳，沉浸感下降 |
我个人习惯把畸变分为两类：“看着不舒服” 和 “数据不准确”。前者靠人眼主观判断，后者靠仪器定量分析。做产品时，一定要先搞清楚你的用户是“人”还是“机器”。
1.4 畸变校正的市场需求与行业应用
畸变校正，现在已经是一个成熟的产业了。为什么？因为需求太刚了。
我简单列几个典型行业：
- 智能手机摄影：多摄模组、超广角镜头，几乎每张照片都要做畸变校正。算法已经集成到ISP芯片里了。
- 自动驾驶：环视摄像头、感知摄像头，畸变校正做不好，目标测距和车道线识别全完蛋。
- 工业检测：PCB板检测、晶圆缺陷检测，畸变直接导致误判和漏判。
- 医学影像：内窥镜、X光机，畸变校正关系到诊断准确性。
- 安防监控：全景拼接、鱼眼校正，畸变校正做不好，画面没法看。
你想想看，一个自动驾驶系统，如果摄像头畸变校正误差超过1个像素，在100米外对应的物理偏差可能超过10厘米——这足以让车辆压线或者撞到障碍物。所以，畸变校正不是“锦上添花”，而是“雪中送炭”。
注意：畸变校正不是万能的。校正过程会引入图像重采样，导致边缘分辨率下降。我见过不少项目，校正后图像“直了”，但“糊了”。校正算法和插值方法的选择，需要根据实际精度要求来权衡。
1.5 本章知识体系总览
下面这张图，是我自己梳理的畸变知识框架。你可以把它当作整个课程的地图。
这张图把畸变的核心脉络串起来了。从定义到成因，从影响到应用，再到校正方法。后面的章节，我们会沿着这个框架一步步深入。
好了，第一章就到这里。畸变这件事，说简单也简单，说复杂也复杂。但只要你理解了它的物理本质，后面的校正技术就都是“对症下药”了。
公众号：蓝海资料掘金营，微信 deep3321