鱼眼相机去畸变实战：从Kannala-Brandt模型到C++代码实现（含完整流程解析）

鱼眼视觉的“矫正”艺术：从Kannala-Brandt模型到高精度C++工程实践

在自动驾驶、机器人导航和全景监控这些前沿领域，我们常常需要一双能“看”得更广的眼睛。普通相机的视野如同一个规整的方窗，而鱼眼相机则像是一个凸起的半球面玻璃，它能将超过180度的广阔世界压缩进一张有限的图像里。这种能力带来了巨大的信息优势，但也引入了一个核心挑战：畸变。图像边缘的直线变成了夸张的曲线，物体形状被严重扭曲，这对于依赖精确几何信息的计算机视觉算法来说，几乎是致命的。因此，去畸变——将这幅扭曲的“鱼眼视图”还原成符合我们直观透视规律的“针孔视图”——就成了连接原始感知与高级应用的关键桥梁。

今天，我们不只停留在理论层面，而是要深入工程腹地。我们将聚焦于学术界和工业界广泛认可的Kannala-Brandt鱼眼相机模型，并手把手带你走完从模型原理理解、算法流程拆解，到最终用C++代码实现一个高效、鲁棒的坐标转换函数的全过程。无论你是正在搭建环视系统的自动驾驶工程师，还是为机器人设计视觉感知模块的研究者，这篇文章都将为你提供一套可直接落地的实战方案。

1. 理解基石：为何鱼眼需要独特的模型？

在深入Kannala-Brandt模型之前，我们必须先明白，为什么不能直接用普通的布朗-康拉德畸变模型来处理鱼眼图像。

普通相机的畸变模型（如径向畸变、切向畸变）建立在一个基本假设上：成像过程近似遵循针孔模型，畸变是对理想投影点位置的微小偏移修正。这种修正量（Δx, Δy）是图像坐标的函数。然而，鱼眼镜头的设计哲学截然不同。它通过一系列复杂透镜的组合，故意引入强烈的非线性折射，将超大视角的光线“挤压”到有限的传感器上。其成像模型本质上是将三维空间中的入射光线方向（用角度表示）映射到图像平面上的一个半径。

提示：你可以把普通相机畸变看作是对一张已经基本正确的照片进行“微调”，而鱼眼去畸变则是要重建出那张“基本正确”的照片本身，这是一个从无到有的过程。

因此，鱼眼相机模型的核心是描述入射角θ与像点离图像中心的距离r之间的函数关系。Kannala-Brandt模型正是抓住了这一本质。它用一个奇次多项式来建模这个关系：

r(θ) = θ + k1 * θ^3 + k2 * θ^5 + k3 * θ^7 + k4 * θ^9

这里，θ是入射光线与相机光轴的夹角，r是去畸变后（即符合针孔模型时）的归一化图像平面上的点到中心的距离。多项式系数k1, k2, k3, k4就是需要通过标定获取的畸变参数。这个模型的优美之处在于，它直接对光线角度进行建模，物理意义清晰，并且对于各种类型的鱼眼投影模型（等距、等立体角、正交等）都有很好的通用逼近能力。

为了更直观地对比，我们来看一下两种模型的核心区别：