3、相机成像模型：针孔相机模型、透镜畸变
做视觉检测这些年，我越来越觉得一个道理：不懂相机模型，标定就是瞎蒙。你想想看，相机是怎么把三维世界变成二维图像的？这里面藏着什么数学关系？畸变又是怎么来的？今天咱们就把这事彻底聊透。
3.1 针孔相机模型——最朴素的成像原理
说白了，针孔相机模型就是最原始的「小孔成像」。光线通过一个小孔，在后面的感光面上形成倒立的像。这个模型虽然简单，但它是所有相机模型的基石。
我个人习惯把针孔模型拆成三步来理解：
- 世界坐标系：物体在真实世界中的位置，单位是米或毫米
- 相机坐标系：以相机光心为原点，Z轴指向镜头前方
- 图像坐标系：最终落在传感器上的像素位置
这三步之间的转换，说白了就是几个矩阵乘法的事。我给大家画个图，一看就明白：
这个图里最关键的是啥？是相似三角形。物体高度 H，成像高度 h，物距 Z，焦距 f，它们的关系就是：
h / H = f / Z嗯，就这么简单。但实际相机不是小孔，是透镜。这就引出了下一个问题。
3.2 透镜畸变——理想很丰满，现实很骨感
实际镜头不是完美的小孔，光线穿过透镜会发生折射。这就导致了一个问题：图像变形了。我在项目中遇到过好几次，标定板拍出来直线是弯的，一开始还以为是标定板没放平，后来才发现是镜头畸变在作怪。
畸变主要分两类：径向畸变和切向畸变。
3.2.1 径向畸变
径向畸变，说白了就是图像从中心到边缘被「拉伸」或「压缩」了。它沿着镜头半径方向发生，离中心越远，畸变越明显。
径向畸变有两种：
- 桶形畸变：图像向外凸出，像桶一样。广角镜头常见。
- 枕形畸变：图像向内凹陷，像枕头一样。长焦镜头常见。
数学上怎么描述？用泰勒级数展开：
x_corrected = x * (1 + k1*r² + k2*r⁴ + k3*r⁶)
y_corrected = y * (1 + k1*r² + k2*r⁴ + k3*r⁶)其中 r 是像素到图像中心的距离，k1、k2、k3 是径向畸变系数。一般 k1 就够用了，k2 用于高精度场景，k3 通常用在鱼眼镜头里。
3.2.2 切向畸变
切向畸变是啥？它是因为镜头和成像平面不平行造成的。说白了，就是镜头装歪了，或者传感器贴歪了。
数学表达式：
x_corrected = x + [2*p1*x*y + p2*(r² + 2*x²)]
y_corrected = y + [p1*(r² + 2*y²) + 2*p2*x*y]p1、p2 是切向畸变系数。这个畸变在工业相机里一般很小，但如果你用的是手机摄像头模组，那切向畸变可能就比较明显了。
3.3 畸变对视觉检测的影响
畸变不校正，后果很严重。我给大家列几个真实场景：
| 检测任务 | 畸变影响 | 后果 |
|---|---|---|
| 尺寸测量 | 边缘位置偏移 | 测量误差可达几个像素 |
| 定位抓取 | 中心点偏移 | 机器人抓偏，撞坏工件 |
| 二维码识别 | 图案扭曲 | 解码失败率飙升 |
| 缺陷检测 | 特征变形 | 误检、漏检 |
你想想看，如果畸变不校正，你测出来的尺寸能准吗？我见过一个案例，某工厂用未标定的相机测零件长度，结果每天测出来的数据都不一样，最后发现是镜头畸变加上温度变化导致的。
3.4 畸变校正的工程实践
畸变校正说白了就两步：
- 标定：用标定板算出畸变系数 k1、k2、p1、p2 等
- 校正：用这些系数把畸变图像映射回无畸变图像
OpenCV 里实现起来很简单：
import cv2
import numpy as np
# 假设你已经标定得到了相机矩阵和畸变系数
camera_matrix = np.array([[fx, 0, cx],
[0, fy, cy],
[0, 0, 1]], dtype=np.float32)
dist_coeffs = np.array([k1, k2, p1, p2, k3], dtype=np.float32)
# 读取畸变图像
img = cv2.imread('distorted.jpg')
h, w = img.shape[:2]
# 计算新的相机矩阵（可选，用于调整视野）
new_camera_matrix, roi = cv2.getOptimalNewCameraMatrix(
camera_matrix, dist_coeffs, (w, h), 1, (w, h))
# 畸变校正
undistorted = cv2.undistort(img, camera_matrix, dist_coeffs, None, new_camera_matrix)
# 裁剪掉黑边
x, y, w, h = roi
undistorted = undistorted[y:y+h, x:x+w]
cv2.imwrite('undistorted.jpg', undistorted)3.5 避坑指南
做畸变校正这些年，我踩过不少坑。分享几个最典型的：
- 标定板要拍够：至少 15-20 张不同角度、不同位置的图像。我曾经偷懒只拍了 8 张，结果标定出来的参数在边缘区域误差很大。
- 标定板要占满视野：别只拍中间，边缘也要覆盖到。畸变在边缘最明显，不拍边缘等于没标定。
- 注意标定板的平整度：如果标定板本身是弯的，标定出来的畸变系数会把板的弯曲也算进去。我见过有人用打印纸当标定板，结果标定出来全是错的。
- 温度变化要小心：镜头和相机在温度变化时，内参和畸变系数会漂移。如果产线温度变化大，建议定期重新标定。
好了，相机模型和畸变这块就聊到这。记住一句话：标定是视觉检测的基石，畸变校正是标定的核心。搞懂了这些，后面的手眼标定、对位算法才能跑得稳。
公众号:蓝海资料掘金营，微信deep3321