第二章 光学成像基础：透镜成像原理、焦距与视场角（FOV）、光圈与景深、像差（球差、色差、畸变）
各位同学，欢迎来到第二章。这一章我们聊聊光学成像的底层逻辑。说实话，很多做视觉算法的同事，对这部分内容不太上心，觉得「反正图像传感器会帮我搞定」。但我个人的经验是——不懂光学，你永远调不好算法。尤其是车载场景，光线变化剧烈，镜头质量参差不齐，你写的算法在实验室跑得飞起，一上车就崩，多半是没吃透这些基础。
2.1 透镜成像原理
先问个问题：为什么镜头能把远处的景物「拉」到传感器上？
核心就是凸透镜的折射。光线穿过透镜时，会发生偏折。平行于光轴的光线，会汇聚到一点，那就是焦点。焦点到透镜中心的距离，就是焦距。
成像公式很简单：
1/f = 1/u + 1/v其中 f 是焦距，u 是物距，v 是像距。车载摄像头通常拍的是远处物体（u 很大），所以 1/u 趋近于 0，像距 v 就约等于焦距 f。也就是说，远处的景物，直接成像在焦平面上。
重要结论：车载摄像头一般对焦到无穷远。这意味着，从几米到几百米外的物体，理论上都能清晰成像。但实际中，镜头工艺和传感器像素尺寸会限制这个「清晰范围」。
我记得刚入行时，有个项目用了一款廉价镜头，标称焦距 6mm。结果实车测试，50米外的车牌模糊得没法看。后来一测，实际焦距偏差了 0.3mm。嗯，这就是为什么我后来选镜头，一定要求供应商提供实测焦距报告。
2.2 焦距与视场角（FOV）
焦距和视场角，是一对冤家。焦距越长，视场角越小，看得越远；焦距越短，视场角越大，看得越宽。
计算公式：
FOV = 2 * arctan( sensor_size / (2 * f) )举个例子，车载常用的 1/3 英寸传感器（对角线约 6mm），配 6mm 镜头：
FOV ≈ 2 * arctan( 6 / (2 * 6) ) = 2 * arctan(0.5) ≈ 53°这个视场角，大概相当于人眼单眼的视野范围。所以很多前视摄像头用这个配置。
| 应用场景 | 典型焦距 | 典型FOV | 特点 |
|---|---|---|---|
| 前视主摄像头 | 6mm - 8mm | 40° - 60° | 看得远，畸变小 |
| 环视/鱼眼 | 2mm - 3mm | 120° - 190° | 看得宽，畸变大 |
| 侧视/后视 | 4mm - 6mm | 60° - 90° | 兼顾距离和宽度 |
我的经验：选焦距时，别只看 FOV 数字。要结合像素密度来算。比如 200 万像素传感器，配 6mm 镜头，在 100 米处一个车牌大概占 30 个像素。这个分辨率够不够做识别？你自己算算。
2.3 光圈与景深
光圈，就是镜头里那个可以开合的「瞳孔」。用 F 值表示，比如 F1.4、F2.0。F 值越小，光圈越大，进光量越多。
景深呢？说白了就是清晰的前后范围。光圈越大，景深越浅；光圈越小，景深越深。
车载摄像头有个特殊要求：大景深。因为车前面的物体，从几米到几百米，都得看清楚。所以车载镜头的光圈通常不大，F2.0 到 F2.8 比较常见。
注意：光圈不是越小越好。光圈太小（比如 F8.0），进光量不足，夜间图像噪点会爆炸。我曾经在一个夜视项目中，为了追求景深把光圈收到 F5.6，结果晚上图像全是雪花点。后来改回 F2.0，配合 ISP 的降噪，效果好了很多。
景深还和物距有关。物体越近，景深越浅。所以车载摄像头对近处物体的清晰度要求很高——你想想看，如果 3 米外有个行人，结果因为景深不够拍模糊了，那算法再强也救不回来。
2.4 像差（球差、色差、畸变）
理想透镜只存在于课本里。现实中的镜头，都有各种像差。我把它分成三类：
2.4.1 球差
球差，就是透镜边缘和中心对光线的折射能力不一样。边缘光线聚焦得近一些，中心光线聚焦得远一些。结果就是——一个点变成了一个模糊的圆。
怎么解决？
- 用非球面透镜。这是目前车载镜头的主流方案。
- 缩小光圈。光圈小了，边缘光线被挡住，球差自然减轻。
我记得有一次，供应商送来的镜头样品，中心清晰度很好，但边缘一塌糊涂。一查，就是球差没校正到位。后来换了非球面镜片，问题解决。
2.4.2 色差
色差，说白了就是不同颜色的光折射率不同。蓝光折射得厉害，红光折射得弱一些。结果就是，一个白色物体边缘会出现红蓝「镶边」。
色差分两种：
- 轴向色差：不同颜色聚焦在不同平面上。
- 横向色差：不同颜色成像在传感器上的位置不同。
车载摄像头对色差很敏感。因为算法要识别交通灯、刹车灯，颜色不准会出大问题。
避坑指南：我曾经在一个项目中，发现算法对红色交通灯的识别率偏低。排查了很久，最后发现是镜头色差导致红色光晕扩散到了相邻像素。后来在 ISP 里加了色差校正，识别率从 85% 提升到了 97%。
2.4.3 畸变
畸变，就是直线变弯了。分两种：
- 桶形畸变：画面中间向外凸，像桶一样。常见于广角镜头。
- 枕形畸变：画面四角向内凹，像枕头。常见于长焦镜头。
车载摄像头中，鱼眼镜头的畸变最严重，可以达到 50% 以上。但这不是坏事——鱼眼就是为了获得超大视场角，畸变是「有意为之」的。
不过，算法层面必须做畸变校正。否则，你检测到的物体位置和实际位置会差很多。
// 畸变校正的数学模型（简化版）
// 径向畸变：
x_corrected = x * (1 + k1 * r^2 + k2 * r^4 + k3 * r^6)
y_corrected = y * (1 + k1 * r^2 + k2 * r^4 + k3 * r^6)
// 切向畸变：
x_corrected = x + [2 * p1 * x * y + p2 * (r^2 + 2 * x^2)]
y_corrected = y + [p1 * (r^2 + 2 * y^2) + 2 * p2 * x * y]这里的 k1、k2、k3 是径向畸变系数，p1、p2 是切向畸变系数。这些参数需要标定得到。
核心观点：畸变校正不是「可选项」，而是「必选项」。尤其是做测距和目标定位的算法，不校正畸变，误差会大到离谱。我见过一个团队，在环视拼接时没做畸变校正，结果地面上的车道线在拼接处断开了 20 厘米。这种问题，实车测试时一眼就能看出来。
小结
这一章的内容，说白了就是一句话：镜头不是完美的，但我们可以理解它的不完美，然后用算法去弥补。
焦距决定你看多远，FOV 决定你看多宽，光圈和景深决定你看多清楚，像差决定你看得多准。这四个维度，是车载摄像头选型和算法设计的底层约束。
下一章，我们会聊传感器——CMOS 是怎么把光变成电信号的。到时候你会发现，光学和电学的问题，其实是连在一起的。