OpenCV畸变校正原理以及损失有效像素原理分析

上一篇博客简要介绍了一下常用的张正友标定法的流程，其中获取了摄像机的内参矩阵K，和畸变系数D。

1.在普通相机cv模型中，畸变系数主要有下面几个：(k1; k2; p1; p2[; k3[; k4; k5; k6]] ，其中最常用的是前面四个，k1,k2为径向畸变系数，p1,p2为切向畸变系数。

2.在fisheye模型中，畸变系数主要有下面几个（k1,k2,k3,k4）.

因为cv和fisheye的镜头畸变模型不一样，所以畸变系数也会有所不同，具体在畸变校正时的公式也不同，具体公式请参见opencv2.0和3.0的官方文档。

OpenCV中对畸变图像进行畸变校正主要用的函数有UndistortImage()函数，以及initUndistortRectifyMap()结合remap()函数。其实UndistortImage()就是

initUndistortRectifyMap()和remap()的简单组合，效果是一样的。

但是有一点是：当你有很多畸变图像需要较正时，用UndistortImage()函数的缺点就暴露了。因为畸变坐标映射矩阵mapx和mapy只需要计算一次就足够了，

而重复调用UndistortImage()只会重复计算mapx和mapy，严重影响程序效率。因此当有多张图片要畸变校正时，建议使用一次initUndistortRectifyMap()，

获取畸变坐标映射矩阵mapx和mapy后，作为remap函数的输入，多次调用remap函数进行畸变校正。

今天要说的第二点就是做过畸变校正的同学都知道，畸变校正后的图像会损失很多像素，这是为什么呢？接下来就以常见的桶形畸变为例分析一下：

由于我目前手头的相机畸变程度并不明显（之前用广角镜头的时候畸变程度相当明显）。因此就从网上找一些图片作为例子以便说明，这里引用一下图片来源

http://www.developersite.org/904-45591-%E6%A0%87%E5%AE%9A。

畸变原图如下：

畸变校正后的图如下：

相信大家已经可以看到了，由于桶形畸变的特征是，远离图像中心的地方成像放大率小，因此越远离图像中心的位置畸程度越明显，像点越向内移动。畸变校正后，原本挤在

一起的像素点们被校正到原来的位置，就得到上面的图像。同时由于四周的像素被拉伸，会造成四周出现模糊的情况。

得到上述图像后很自然想到的是把四周的黑色区域裁掉，只留下中间的图像区域。如下图（红色框）：

那么问题来了，这样做的话输出图像的长宽比和输入图像的长宽比就不一致了。因此opencv畸变校正函数内部做法是：在保证长宽比不变的情况下，对上面的图像进行裁剪，那么就会得到损失更多像素的输出图像啦，如下图（蓝色框）！

好了，说到这里，我们就把代码中的罪魁祸首找出来吧！

对，就是它！把它揪出来！这条语句在initUndistortRectifyMap（）函数中可以找到，里面具体的f1,f2,f3,f4的意思就请同学你去看源代码了，当然不明白了也可以问我。

总之是在fmin和fmax之间进行插值计算f，而通常balance默认为0，f=fmax，焦距越大，视场越小，损失的有效像素越多。

好了，夜已深，今天就到这里。