从径向畸变开始#

以光心为原点，把理想坐标记为 $(x,y)$，半径平方为 $r^2=x^2+y^2$。常用的径向模型写成：

当 $k_1<0$，边缘通常向中心收缩，表现为桶形畸变；当 $k_1>0$，边缘向外扩张，常呈枕形。高阶项控制靠近画面边缘时的曲线形状。

实验只包含两个径向项。真实标定还会估计光心、焦距、切向畸变，鱼眼镜头则常使用等距、等立体角或 Kannala–Brandt 等模型。模型必须与镜头投影规律和目标视场匹配。

校正不是把公式反过来写#

已知理想点可以直接算出畸变点；但 LDC 输出需要回答相反问题：输出画面中的每个理想像素，应当从输入畸变图的哪里取值？高阶模型通常没有方便、稳定的解析逆函数，因此会迭代求解，或离线生成查找网格。

正向映射把每个输入像素投向输出。多个输入可能落在同一输出像素，也可能没有任何点落到某些位置，形成空洞。逆向映射遍历每个输出像素，再反查连续的输入坐标，因此输出覆盖完整；代价是必须对亚像素位置插值。

一个简化的迭代反解可以写成：

1
def inverse_radial(target, k1, k2, iterations=8):
2
    source = target.copy()
3
    for _ in range(iterations):
4
        r2 = source[0] ** 2 + source[1] ** 2
5
        scale = 1 + k1 * r2 + k2 * r2 ** 2
6
        mapped = source * scale
7
        source += target - mapped
8
    return source

工业实现会检查收敛范围，并使用标定网格、定点近似或硬件 warp engine 控制吞吐和带宽。

为什么校正后必须裁切#

桶形图像的角落信息被压向中心。把它重新拉开时，目标矩形的某些区域可能落到原图之外。可以保留黑边、降低输出视场，或者放大并裁掉无效区域；三者无法同时避免。

电子防抖还需要额外的移动余量，因此 LDC、EIS 和输出裁切常联合设计。若只按静态单帧把视场用满，视频稳定时很容易在边角露出无效区域。

一次坐标变换，一次重采样#

逆向映射通常得到 $(124.37, 58.82)$ 这样的坐标。最近邻速度快但会产生锯齿；双线性稳健却会降低高频；双三次或更宽的核保留更多锐度，也可能引入 ringing。

LDC、缩放、旋转和防抖若分四次执行，就会反复重建像素。更好的做法是合并坐标变换，从最终输出位置一次反查原图，只做一次高质量重采样。

LDC 放在 ISP 的哪里#

在 Bayer 域直接做几何 warp，会让 CFA 颜色采样位置不再落在规则棋盘上，后续 Debayer 复杂度明显增加。因此常见路径是先完成 Debayer，再在 RGB 或 YUV 域执行 LDC。也有硬件为了带宽，把 Debayer、LDC、缩放融合成专用流水线。

锐化通常放在主要几何重采样之后，否则已经增强的高频会被再次插值，halo 和 ringing 也可能被拉伸。降噪顺序需要权衡：先降噪可避免插值扩散噪声，后降噪则面对空间变化后的噪声统计。

标定比公式更重要#

标定常用不同姿态的棋盘格或圆点板，联合估计内参和畸变参数。需要覆盖完整视场、多个对焦距离和温度状态。变焦、对焦、OIS 位置都会改变模型，只存一组参数往往不够。

验证不应只看中心区域：

• 检查画面四边和四角的直线残差；
• 检查光心附近是否被错误扭曲；
• 检查不同焦距、对焦距离与温度；
• 检查裁切后视场和电子防抖余量；
• 检查细线、文字和周期纹理的混叠；
• 视频中检查模型切换是否跳变。

最容易踩的坑#

1. 混淆“从理想到畸变”和“从输出反查输入”的参数方向；
2. 忽略归一化坐标、焦距和光心定义，直接复制系数；
3. 正向映射后用简单填洞掩盖覆盖问题；
4. 多次独立 warp，累积模糊和 ringing；
5. 只在中心棋盘格上标定，边缘残差失控；
6. 把裁切损失误认为算法缺陷，而没有记录目标视场；
7. 镜头状态变化后仍使用固定标定表。

LDC 的核心不是“把弯线拉直”，而是建立从输出坐标到输入采样位置的可靠映射。模型决定几何准确度，逆向映射保证覆盖，插值决定细节代价，裁切决定最终视场。四件事必须一起评估。