单参数除法畸变模型的快速实现方法咨询

我已实现估算图像畸变中心及畸变参数的代码，用于消除图像径向畸变，采用Fitzgibbon提出的单参数除法模型：
xu = xd / (1 + K1 * r^2)
yu = yd / (1 + K1 * r^2)

我想找到最快的处理方式，计划用numpy向量化构建映射来完成去畸变。我熟悉OpenCV的undistort()、initUndistortRectifyMap()等方法，但这些方法需要相机焦距参数（fx, fy），而我没有该参数。

嵌套循环计算所有去畸变目标点效率极低，请问能否用numpy构建该映射？以下是我实现的单畸变点转去畸变点的函数：

def get_undistorted(pd, dc, k):
    xd, yd = pd
    dcx, dcy = dc
    r2 = (dcx - xd)**2 + (dcy - yd)**2
    xu = dcx + (xd - dcx)/(1 + k*r2)
    yu = dcy + (yd - dcy)/(1 + k*r2)
    return xu, yu

完全可以用Numpy向量化操作替代嵌套循环，大幅提升处理效率，具体步骤如下：

1. 生成畸变图像的网格坐标 #

先获取图像尺寸，用np.meshgrid生成所有畸变点（xd, yd）的矩阵，这是向量化计算的基础：

import numpy as np
import cv2

# 输入畸变图像
img = cv2.imread("distorted_image.jpg")
h, w = img.shape[:2]

# 替换为你估算的畸变中心和K1参数
dcx, dcy = 100.0, 100.0
k1 = 0.0001

# 生成xd（列）和yd（行）的网格矩阵，indexing='ij'确保yd对应图像行、xd对应图像列
yd, xd = np.meshgrid(np.arange(h), np.arange(w), indexing='ij')

2. 向量化计算去畸变坐标 #

直接对整个网格矩阵批量计算，完全避免循环：

# 计算每个点到畸变中心的距离平方
r2 = (dcx - xd)**2 + (dcy - yd)**2
# 应用Fitzgibbon模型计算去畸变后的坐标
xu = dcx + (xd - dcx) / (1 + k1 * r2)
yu = dcy + (yd - dcy) / (1 + k1 * r2)

3. 用OpenCV执行去畸变 #

将计算得到的映射转换为OpenCV要求的float32格式，然后用cv2.remap()完成图像插值：

# 转换为OpenCV兼容的数据类型
map_x = xu.astype(np.float32)
map_y = yu.astype(np.float32)

# 执行去畸变，可选插值方法：INTER_LINEAR（双线性）、INTER_CUBIC（双三次）等
undistorted_img = cv2.remap(img, map_x, map_y, interpolation=cv2.INTER_LINEAR)

核心优势 #

• 极致效率：Numpy向量化操作基于底层C实现，比Python嵌套循环快10~100倍，大尺寸图像效果更明显。
• 无需相机内参：仅依赖你已有的畸变中心和K1参数，不需要fx、fy等焦距信息。
• 兼容OpenCV生态：生成的映射可直接传入cv2.remap()，利用OpenCV的高效插值算法得到高质量去畸变图像。

注意事项 #

• 畸变中心（dcx, dcy）需基于图像像素坐标系（左上角为(0,0)）。
• K1正负分别对应桶形（正）和枕形（负）畸变，代码对两种情况均适用。

内容的提问来源于stack exchange，提问作者SassyCat