【机器视觉系统】机器视觉模型——畸变模型

发布时间：2022-05-09浏览量：1936作者：康耐德

　　1 概述

　　机器视觉镜头透镜由于制造精度以及组装工艺的偏差会引入畸变，导致原始图像的失真，即图像畸变。

　　在前一篇文章《机器视觉模型——投影矩阵》中描述了机器视觉系统成像模型，在这个模型里包含了相机内参(与像元尺寸、焦距、像素中心有关)以及相机外参(与相机在世界坐标系的位姿有关)，这个模型是一个理想模型，或者说线性模型，没有考虑到镜头透镜产生的畸变所带来的影响。

　　结合上文成像模型，可以把畸变理解成像点和物点之间的光线是弯曲的，如下图所示。

　　图中本来应该共线的三个点O、P、Q，现在由于透镜的某种偏差原因而不共线了，Pcrt被成像在了P点，很明显，此时的关系不再是前文讨论的矩阵关系了，也就是说，在畸变存在的条件下，用前文的矩阵公式计算出来的结果是不正确的。

　　所以，在用这个视觉模型矩阵公式前，需要先把产生的畸变消除掉，与前文同样原理，如果透镜畸变能用一个数学模型或者数学公式来表达，我们就可以很方便地消除畸变，我们把这个模型称为“畸变模型”。

　　2 透镜的畸变

　　透镜的畸变主要包括：径向畸变、切向畸变、薄透镜畸变等等，但最显著的是径向畸变和切向畸变，所以我们这个模型里只考虑这两种畸变。同时，图像的畸变是两种畸变的组合，因此把整个畸变分解为径向畸变分量和切向畸变分量。

　　2.1 径向畸变

　　径向畸变：就是沿着透镜半径方向分布的畸变，如我们所熟知的鱼眼镜头产生的畸变、枕形畸变、桶形畸变等。

下图为径向畸变的分布，一般越远离中心越严重。

微信截图_20220509175706.png

　　2.2 切向畸变

　　切向畸变：是由于透镜本身与相机传感器平面(像平面)或图像平面不平行而产生的，这种情况多是由于透镜被粘贴到镜头模组上的安装偏差导致，如下图所示。

　　随着相机制造工艺的大大提升，这种情况很少出现了，所以很多时候已经可以不考虑切向畸变。

　　下图为切向畸变的分布

微信截图_20220509175828.png

　　3 机器视觉畸变模型

　　综上，可以得到机器视觉系统透镜畸变模型如下

微信截图_20220509175905.png

　　对于一个给定的镜头成像系统，这5个畸变参数怎么获得?这就涉及到“相机标定”，即需要根据一系列已知的若干对原成像点与畸变成像点的坐标值，带入以上公式来解出，具体的限于篇幅这里不详细讨论。

　　————————————————

　　原文链接：https://blog.csdn.net/hangl_ciom/article/details/106252235

电池焊缝缺陷的视觉检测解决方案机器视觉系统的三维成像方式都有哪些？

返回列表

相关新闻

汽车锂电池哪些外观缺陷可以通过机器视觉系统进行检测 2024-04-19

随着电动汽车市场的不断扩大和技术的不断进步，汽车锂电池作为核心能源组件，其质量和安全性日益受到重视。汽车锂电池的外观缺陷可能会对其性能和使用安全产生严重影响，因此，有效的检测手段至关重要。机器视觉系统作为一种高效、准确的检测工具，在汽车锂电池外观缺陷检测中发挥着关键作用。本文将探讨哪些汽车锂电池外观缺陷可以通过机器视觉系统进行检测。

机器视觉系统：铜扁线缺陷检测的得力助手 2024-04-19

在工业生产中，铜扁线作为一种重要的导电材料，广泛应用于电气、通讯、建筑等多个领域。然而，在生产过程中，铜扁线可能会出现各种缺陷，如裂纹、夹杂、划痕等，这些缺陷不仅影响铜扁线的使用性能，还可能引发安全事故。为了提高铜扁线的生产质量和安全性，机器视觉系统成为了不可或缺的检测工具。

机器视觉系统：光学级PET薄膜缺陷检测的“千里眼” 2024-04-18

在光学领域，PET薄膜因其高透明度、低吸光性和良好的光学性能而被广泛应用于各种光学元件的制造中。然而，在生产过程中，光学级PET薄膜可能会出现各种缺陷，如划痕、污渍、气泡、杂质等，这些缺陷不仅影响薄膜的光学性能，还可能导致产品合格率下降。为了解决这个问题，机器视觉系统成为了光学级PET薄膜缺陷检测的重要工具。