一、课程导论：什么是镜头畸变？为什么需要标定？工业视觉系统的精度瓶颈

1.1 先聊聊我眼中的“畸变”

各位同学好。我是老张，在机器视觉这行摸爬滚打了十几年。今天咱们开始聊一个绕不开的话题——镜头畸变。

什么是畸变？说白了，就是镜头拍出来的东西，跟实际物体的形状不一样了。你想想看，明明是一条笔直的钢轨，拍出来却弯了；一个标准的正方形工件，成像后变成了枕形或桶形。这就是畸变。

为什么会这样？因为镜头是光学系统，光线穿过透镜时，不同位置的折射率不一样。边缘的光线走得“累”了，就偏了。嗯，这里要注意：畸变不是模糊，不是色差，它是几何位置上的失真。

我记得刚入行那会儿，给一个汽车零部件厂做视觉检测。客户说“你测的尺寸怎么跟三坐标差0.2mm？”我查了半天，最后发现是镜头畸变惹的祸。从那以后，我养成了一个习惯：任何视觉系统，先标定，再干活。

1.2 畸变的三种“面孔”

实际项目中，我遇到的畸变主要有三类。咱们用一张图来理清它们的关系。

这张图我画了好一会儿。你看，畸变主要分三类：

• 径向畸变：这是最常见的。图像中心区域正常，越往边缘变形越厉害。桶形畸变让直线向外弯，枕形畸变让直线向内弯。我做过一个项目，用5mm广角镜头拍大工件，边缘的桶形畸变能达到3个像素——这在亚像素测量里是致命的。
• 切向畸变：这个跟安装有关。镜头没装正，或者传感器跟光轴不垂直，就会产生。我曾经遇到一个案例，换了镜头后图像一边清晰一边模糊，一查是切向畸变在作怪。
• 薄棱镜畸变：这个比较少见，一般是镜头设计或制造缺陷。我做了这么多年，也就碰到过两三次。

1.3 为什么非标定不可？

你可能会问：畸变就那么一点点，肉眼都看不出来，有必要标定吗？

有。而且非常有必要。

我给你算笔账。假设你的相机是500万像素，视野是100mm×100mm。一个像素对应的物理尺寸是0.05mm。如果边缘畸变有2个像素，那就是0.1mm的误差。在精密装配里，0.1mm足以让零件装不进去。

应用场景	允许误差	畸变影响	是否需要标定
物流包裹分拣	±5mm	可忽略	可选
PCB焊点检测	±0.05mm	严重	必须
手机玻璃切割	±0.01mm	致命	必须
机器人抓取定位	±0.5mm	中等	建议

你看，精度要求越高，标定就越重要。我见过太多工程师，买了好相机、好镜头，结果不标定，最后精度就是上不去。说白了，不标定的视觉系统，就像没校准的游标卡尺——看着像那么回事，一量就露馅。

1.4 工业视觉的精度瓶颈到底在哪？

这个问题我经常被问到。很多人以为精度瓶颈是相机分辨率不够。其实不然。

我个人认为，工业视觉系统的精度瓶颈，按影响程度排序是这样的：

1. 镜头畸变（未校正）：这是最大的坑。畸变不校，后面的一切都是白搭。
2. 标定板精度：标定板本身有误差，标定结果就有误差。我建议用陶瓷或玻璃标定板，别用打印的纸板——热胀冷缩会让你怀疑人生。
3. 光照稳定性：光照一变，边缘检测就飘。这个后面章节会细讲。
4. 算法精度：亚像素定位、边缘拟合等。这个反而是最容易控制的。
5. 机械振动：这个属于系统集成问题，但影响很大。

1.5 标定的本质是什么？

标定，说白了就是建立“像素坐标”到“物理坐标”的映射关系。同时，把这个映射中的畸变分量提取出来，然后反向补偿。

数学上，我们用一个模型来描述这个过程：

// 理想成像模型
x' = x * (1 + k1*r² + k2*r⁴ + k3*r⁶) + [p1*(r²+2x²) + 2*p2*x*y]
y' = y * (1 + k1*r² + k2*r⁴ + k3*r⁶) + [2*p1*x*y + p2*(r²+2y²)]

// 其中：
// (x, y) —— 理想坐标
// (x', y') —— 实际畸变坐标
// r² = x² + y²
// k1, k2, k3 —— 径向畸变系数
// p1, p2 —— 切向畸变系数

这个公式看着复杂，但实际用起来很简单。OpenCV的calibrateCamera()函数帮你算好了所有参数。你只需要提供标定板图像就行。

嗯，这里要注意：标定不是一劳永逸的。镜头松动、温度变化、调焦后，都需要重新标定。我一般建议：每次维护后、每季度、或者环境温度变化超过10°C时，重新标定一次。

1.6 本章小结

咱们这一章聊了三个核心问题：

• 畸变是什么——光学系统带来的几何失真
• 为什么要标定——不标定，精度上不去
• 精度瓶颈在哪——畸变排第一，标定板排第二

下一章，我会带大家动手做第一次标定。咱们用OpenCV，拍几张棋盘格照片，把畸变系数算出来。到时候你会发现，标定其实没那么神秘——就是解几个方程的事儿。

我是老张，咱们下章见。