图1.1 鱼眼镜头图1.2 鱼眼镜头的应用
左图为索尼VG10 8mm鱼眼镜头，右图为市面上的        左图为鱼眼镜头用于办公格子间监控，右图为
手机用微型鱼眼镜头。                               鱼眼镜头用于先去监控。
 由此，我们得到鱼眼镜头畸变校正的意义在于可以让一些需要进行校正的图像恢复到正常视觉下的图像模式，让人可以一目了然的获悉整幅画面所包含的全部有用信息。当然，有些情况下的鱼眼畸变图像是不需要进行畸变校正的，比如用于摄影艺术的鱼眼镜头所拍摄的图片因其独特的视觉效果而产生了艺术价值，若要对这种图像进行畸变校正那艺术价值便荡然无存了。
1.2  研究现状
1.3  论文结构框架
    第一章主要是引言、课题研究背景与意义以及全文结构框架的说明,在这一章中，我通过阅读大量文献以及纵观当今镜头及监控等领域的市场，分析了此课题的研究背景以及不可或缺的意义，并就畸变校正各个步骤进行了各自简要的研究现状的说明，最后才是整篇文章的结构框架。
    第二章详细探讨角点检测的相关内容，第二章中将介绍两种角点检测算法：Harris算法和
SUSAN算法。并就这两种算法从理论、精度以及计算量等问题上做出了简要对比分析。
    第三章介绍镜头标定的知识，虽然目前有关镜头标定的算法有很多，但这一章中我们只介绍其中一种算法：基于镜头成像模型的镜头标定法，这是因为它有着其他算法比不上的优势与处理效果。
第四章详述鱼眼图像畸变校正的学问，这一章里我将主要介绍两大类四种畸变校正算法，并从理论上对他们处理图片的结果进行一个简要的对比描述。
    第五章则是前面几章内容的算法实现的相关内容，这一章是整篇论文里写的最多也是最详尽的一张，不仅因为这是最后一章，更是因为它是整篇论文的核心，前面的所有步骤都是在为这一章做准备。在这一章中，我们详细介绍了前面三章为我们介绍的各个步骤所涉及的算法，将图片处理结果附上并配以详尽的文字表达用以描述各个算法之间的对比情况，并最终决定采用哪种算法来处理自己的图片。
而后则是结论部分，这部分是对前面所有内容进行一个概括，并将最终结论描述出来。
最后致谢及参考文献等内容。
2  角点检测
    角点[11]又称为特征点，目前没有一个确切的定义，一般认为它是极值点，它可以是两边缘的相交点，也可以是亮度变化最大的点。对角点进行检测的意义在于，当我们检测出角点后，我们可以使用所有角点来替代整幅图像去进行后续步骤，这样做大大较少了工作量，省去了不必要的麻烦，同时也提高了所得结果的精确度。本章中，我们将着重介绍两种角点检测算法，一种是Harris算法，另一种是SUSAN算法。
2.1  Harris算法
    Harris算法是Chris Harris和Mike Stephens在Moravec算法基础上加以改进而得[12]，相对于它的前身而言，其优点在于设置了滤波函数从而提高了抗噪性，而且将前者的只能检测八个方向延伸到了物点周围理论上360度方位里所有的方向。 鱼眼镜头图像畸变数字校正方法(2):http://www.youerw.com/tongxin/lunwen_29867.html