图像校正入门的核心是理解"校正的目标"------通过算法或工具修正图像中因拍摄条件（如角度、光线、设备）导致的偏差（如几何变形、色彩失衡、镜头畸变等）。入门可从几何校正 （最直观）、色彩校正 （最常用）和畸变校正（设备相关）三个方向切入，结合工具（如OpenCV）实践更易掌握。
一、工具准备
入门推荐用Python+OpenCV（开源、功能全），安装命令：
bash
pip install opencv-python numpy # numpy用于数值计算二、实例1：几何校正（透视变换）
场景：拍摄文档、白板时，因角度倾斜导致图像呈梯形/不规则四边形，需校正为正矩形（如扫描效果）。
原理：
通过"透视变换"将不规则四边形映射为矩形，核心是确定原始图像的4个顶点和目标矩形的4个顶点，计算变换矩阵并应用。
步骤与代码：
- 读取图像，手动标记文档的4个顶点（顺时针：左上→右上→右下→左下）；
- 定义目标矩形的4个顶点（如宽500、高700，符合A4纸比例）；
- 计算透视变换矩阵，并应用变换得到校正结果。
python
import cv2
import numpy as np
# 1. 读取图像（替换为自己的图像路径）
img = cv2.imread("doc.jpg") # 假设图像是倾斜的文档
h, w = img.shape[:2] # 获取图像高、宽
# 2. 手动标记原始图像中文档的4个顶点（需根据实际图像调整坐标）
# 格式：[左上, 右上, 右下, 左下]，单位：像素
src_points = np.float32([
[120, 80], # 左上
[580, 100], # 右上
[550, 450], # 右下
[90, 430] # 左下
])
# 3. 定义目标矩形的4个顶点（宽500，高700，可根据需求调整）
dst_points = np.float32([
[0, 0], # 左上
[500, 0], # 右上
[500, 700], # 右下
[0, 700] # 左下
])
# 4. 计算透视变换矩阵M
M = cv2.getPerspectiveTransform(src_points, dst_points)
# 5. 应用变换，得到校正图像
corrected_img = cv2.warpPerspective(
img, M, (500, 700) # 目标图像尺寸：宽500，高700
)
# 6. 显示结果
cv2.imshow("原始图像", img)
cv2.imshow("校正后图像", corrected_img)
cv2.waitKey(0) # 按任意键关闭窗口
cv2.destroyAllWindows()效果对比：
左图为倾斜的原始文档（梯形），右图为校正后的矩形文档（可直接用于打印/存档）。
三、实例2：色彩校正（白平衡修复）
场景：拍摄时因光线（如暖光、背光）导致图像偏色（如整体偏黄/偏蓝），需修复为自然色彩。
原理：
基于"灰度世界假设"------自然场景中所有像素的RGB平均值趋近于灰色（R≈G≈B），通过调整三通道的增益使均值相等。
步骤与代码：
- 分离图像的RGB三通道；
- 计算各通道的平均值，通过增益调整使三通道均值相等；
- 合并通道得到校正结果。
python
import cv2
import numpy as np
# 1. 读取偏色图像（替换为自己的图像路径）
img = cv2.imread("yellowish.jpg") # 假设图像偏黄（R、G通道过强）
# 2. 分离B、G、R通道（OpenCV默认通道顺序为BGR）
b, g, r = cv2.split(img) # b:蓝色通道，g:绿色通道，r:红色通道
# 3. 计算各通道的平均值
b_mean = np.mean(b) # 蓝色通道均值
g_mean = np.mean(g) # 绿色通道均值
r_mean = np.mean(r) # 红色通道均值
# 4. 计算目标均值（三通道均值的平均）
target_mean = (b_mean + g_mean + r_mean) / 3
# 5. 计算各通道的增益（使通道均值=目标均值）
b_gain = target_mean / b_mean # 蓝色通道增益（偏黄图像中b_mean通常较低，增益>1）
g_gain = target_mean / g_mean
r_gain = target_mean / r_mean
# 6. 应用增益（截断到0-255，避免像素值溢出）
b_corrected = np.clip(b * b_gain, 0, 255).astype(np.uint8) # uint8是图像像素的标准类型
g_corrected = np.clip(g * g_gain, 0, 255).astype(np.uint8)
r_corrected = np.clip(r * r_gain, 0, 255).astype(np.uint8)
# 7. 合并通道，得到校正图像
corrected_img = cv2.merge([b_corrected, g_corrected, r_corrected])
# 8. 显示结果
cv2.imshow("偏色原始图", img)
cv2.imshow("色彩校正后", corrected_img)
cv2.waitKey(0)
cv2.destroyAllWindows()效果对比：
左图偏黄（暖光拍摄），右图通过增强蓝色通道、减弱红/绿色通道，色彩更自然。
四、实例3：镜头畸变校正
场景：鱼眼镜头、广角镜头拍摄的图像边缘会扭曲（如桶形畸变、枕形畸变），需修正为正常透视。
原理：
镜头畸变由设备光学特性导致，需先通过"相机标定"获取镜头的畸变系数，再用系数反向修正。
步骤与代码：
- 相机标定（提前操作）：拍摄多张棋盘格图像，用OpenCV计算镜头内参（焦距、光心）和畸变系数；
- 用畸变系数对图像进行校正。
python
import cv2
import numpy as np
# 1. 读取畸变图像（替换为自己的图像路径）
img = cv2.imread("fisheye.jpg") # 假设为鱼眼镜头拍摄的桶形畸变图像
h, w = img.shape[:2]
# 2. 输入相机标定得到的参数（示例值，实际需自己标定）
# 内参矩阵K：[fx, 0, cx; 0, fy, cy; 0, 0, 1]（fx/fy：焦距，cx/cy：光心）
K = np.array([[500, 0, 320], [0, 500, 240], [0, 0, 1]])
# 畸变系数：[k1, k2, p1, p2, k3]（k为径向畸变，p为切向畸变）
dist_coeffs = np.array([[-0.3, 0.1, 0, 0, -0.05]])
# 3. 优化内参矩阵（避免校正后图像黑边过多）
new_K, roi = cv2.getOptimalNewCameraMatrix(
K, dist_coeffs, (w, h), 1, (w, h) # 1：保留所有像素，(w,h)：目标尺寸
)
# 4. 应用畸变校正
corrected_img = cv2.undistort(
img, K, dist_coeffs, None, new_K # 用新内参矩阵修正
)
# 5. 裁剪黑边（根据roi：x,y为起点，w,h为宽高）
x, y, roi_w, roi_h = roi
corrected_img = corrected_img[y:y+roi_h, x:x+roi_w]
# 6. 显示结果
cv2.imshow("畸变原始图", img)
cv2.imshow("校正后图像", corrected_img)
cv2.waitKey(0)
cv2.destroyAllWindows()说明：
相机标定需用cv2.findChessboardCorners和cv2.calibrateCamera函数，具体可参考OpenCV官方棋盘格标定教程，这里简化为示例参数。
三、入门总结
- 先明确校正目标：是几何变形、色彩问题还是镜头畸变？
- 从工具实践入手：用OpenCV跑通上述实例，观察参数变化对结果的影响；
- 理解基础原理：如透视变换的矩阵映射、灰度世界假设的适用场景；
- 进阶方向：自动检测校正点（如用边缘检测替代手动标记）、复杂场景的色彩校正（如白平衡算法优化）。
通过这三个实例，可快速掌握图像校正的核心逻辑，后续再结合具体场景深化细节即可。