2、畸变数学模型：径向畸变模型（Brown-Conrady模型）、切向畸变模型、薄棱镜畸变模型、多项式拟合与除法模型对比
聊完了畸变是什么，咱们得动真格的了——用数学把它描述出来。你想想看，没有数学模型，我们怎么去校正它？说白了，畸变校正本质上就是一个“反推”的过程：先建模，再求解逆变换。
我个人习惯把畸变模型分成两大类：物理模型和经验模型。物理模型是从光学原理出发推导的，比如Brown-Conrady模型；经验模型则是用多项式或除法去“硬拟合”畸变曲线。两者各有千秋，咱们一个一个说。
2.1 径向畸变模型（Brown-Conrady模型）
这是最经典的模型，也是工业界用得最多的。我在项目中遇到过不少次，默认首选就是它。
径向畸变的本质是：光线通过镜头时，离光轴越远，折射角度偏差越大。用数学表达就是：
// 径向畸变模型（Brown-Conrady）
x_distorted = x * (1 + k1 * r^2 + k2 * r^4 + k3 * r^6)
y_distorted = y * (1 + k1 * r^2 + k2 * r^4 + k3 * r^6)
其中：
(x, y) —— 归一化后的理想坐标
(x_distorted, y_distorted) —— 畸变后的实际坐标
r^2 = x^2 + y^2
k1, k2, k3 —— 径向畸变系数
这里有个细节要注意：k1 控制主要畸变，k2 和 k3 是更高阶的修正项。一般情况下，只标定 k1 和 k2 就够了。但如果你用的是超广角镜头或者鱼眼镜头，那 k3 必须加上，否则边缘校正效果会很差。
核心要点：Brown-Conrady模型是OpenCV和MATLAB的默认畸变模型。它用三个径向系数（k1, k2, k3）和两个切向系数（p1, p2）来描述镜头畸变。我建议初学者先只标定k1和p1，看看效果再决定是否增加高阶项。
我的经验：曾经有一个项目，用普通工业镜头拍A4纸文档，我只标定了k1和k2，结果边缘文字还是有点弯曲。后来加上k3，问题就解决了。嗯，这里要注意：k3的数值通常很小（10^-5量级），但它的影响在图像边缘非常明显。
2.2 切向畸变模型
切向畸变，说白了就是镜头和成像平面不平行造成的。你想想看，如果镜头的光轴没有完美垂直于传感器平面，那图像就会像被“拧”了一下。
数学上，切向畸变用两个参数 p1 和 p2 来描述：
// 切向畸变模型
x_distorted = x + [2 * p1 * x * y + p2 * (r^2 + 2 * x^2)]
y_distorted = y + [p1 * (r^2 + 2 * y^2) + 2 * p2 * x * y]
其中：
p1, p2 —— 切向畸变系数
这个模型在工业相机标定中非常常见。我记得有一次，客户反馈说拍出来的电路板焊点位置总是偏一点，怎么调都调不准。后来一查，是镜头安装时有个微小的倾斜——切向畸变在作怪。标定出 p1 和 p2 后，校正完就完美了。
避坑指南：我曾经遇到过切向畸变系数特别大的情况，结果发现是镜头本身有物理损伤。所以，如果标定出来的p1、p2数值异常（比如超过0.1），先别急着校正，检查一下硬件更靠谱。
2.3 薄棱镜畸变模型
这个模型知道的人不多，但它在高精度测量中非常有用。薄棱镜畸变，说白了就是镜头内部镜片组之间的微小错位，导致光线像穿过一个薄棱镜一样发生偏折。
它的数学形式是：
// 薄棱镜畸变模型
x_distorted = x + s1 * r^2 + s2 * r^4
y_distorted = y + s3 * r^2 + s4 * r^4
其中：
s1, s2, s3, s4 —— 薄棱镜畸变系数
这个模型在普通消费级相机中很少用到，但在工业检测、医疗影像这些对精度要求极高的场景中，它往往是“压死骆驼的最后一根稻草”。我建议你把它当作一个“高级选项”——先用Brown-Conrady模型，如果校正后还有残余误差，再考虑加上薄棱镜项。
2.4 多项式拟合与除法模型对比
好了，咱们来对比一下这两种主流方法。我直接用一个表格来说明：
| 对比项 | 多项式拟合模型 | 除法模型 |
|---|---|---|
| 数学形式 | r_distorted = r * (1 + k1*r^2 + k2*r^4 + ...) | r_distorted = r / (1 + k1*r^2 + k2*r^4 + ...) |
| 适用场景 | 普通镜头、中低畸变 | 鱼眼镜头、高畸变（>20%） |
| 计算复杂度 | 低，直接多项式求值 | 中，需要除法运算 |
| 逆变换求解 | 需要迭代或近似 | 可以直接求解（二次方程） |
| 稳定性 | 高阶项容易过拟合 | 对噪声更鲁棒 |
我个人习惯是：畸变率小于10%用多项式模型，大于10%用除法模型。为什么？因为多项式模型在高畸变区域会出现“回弯”现象——你想想看，一个五次多项式在边缘处可能会突然反向弯曲，这显然不符合物理规律。而除法模型天生就是单调的，不会出现这种问题。
我的建议：如果你用的是普通手机镜头或监控摄像头，直接用Brown-Conrady的多项式模型就够了。但如果你在搞VR/AR或者自动驾驶的鱼眼相机，那除法模型是你的不二之选。我曾经在车载环视项目中吃过亏——用多项式模型校正鱼眼镜头，边缘总是有残留畸变，换成除法模型后一次性搞定。
2.5 四种模型对比总结
咱们用一张图来总结这四种模型的关系：
最后说一句：模型选对了，校正就成功了一半。我个人建议你从最简单的Brown-Conrady模型开始，逐步增加复杂度。不要一上来就搞七参数、八参数的模型——过拟合会让你在校正时看起来很完美，但换一个场景就崩了。
嗯，这一章的内容就到这里。记住：数学模型是工具，不是目的。理解每种模型背后的物理含义，比死记硬背公式重要得多。