机器视觉径向畸变校正分步实现（标定，三，一一对应补充：未畸变网格设计，想到不如做到）

这或许在我的未来会是一个重大的发端。看似平常的一塌糊涂。

以前设计了一个网格线工具，差强人意，不知道有什么用途。在没想到未畸变网格之前，这个算是原始版本，可以看一看：

本来是想网格线工具覆盖感兴趣区域整个特征，并感知其大概轮廓，没成想，是以上结果，搁置很久，没有进展。

直到重新整理这放不下惦记的标定，在一一对应一节中，唤起了了这久违的冲动，马上去掉线图像的感知能力，更改为harris亚像素角点感知能力。花了一天时间尝试琢磨做出来效果如下，无畸变网格登场：

以上结果是截止当下的最好结果，也很稳定，亚像素角点的梯度和在2500左右浮动。而opencv中点积为零的两个异常也都遇到了，这就是省去很多步骤带来的坏处。

第一个异常，边对亚像素角点的干扰：

这怎么能叫亚像素角点呢？好在我找到了梯度和这个宝贝方法，边上的点积为零，但不是亚像素角点，怎么排除，他的梯度和徘徊在1000-2000之间。

第二异常，均匀区域对亚像素角点的干扰：

梯度和真是太神了，这种均匀区域点积为零的亚像素干扰角点，梯度和在500左右浮动，再一个异常排除。

除了这两个问题得以展示外，上图中白色区域，也是均匀区域，为什么干扰亚像素角点未出现呢？

今天的又一个收获就是，发现亚像素角点的最小二乘实现算法一个错误，就是未考虑分母为零的问题，他的体现就是白色均匀区域干扰亚像素未出现。

那么为什么白色会出现分母为零的情况，而黑色不会出现呢？我也感到很神奇！

在标定一一对应一节遇见你，未畸变网格，是一种缘分，他又让我打开了一扇窗！也算是线工具网格的第二版本，但意义绝非仅仅如此。

他至少有两种用途，

第一，标定中用

第二，他可以再细化，可以做可选择操作网格掩码用，在匹配中大显身手

你有没有发现，他是感兴趣区域更具体的化身，他是一种平面的感知工具，在图像之上，像感知图层一样？

我们的眼睛是否也有这样的角点（穿越点），线型，平面粗略轮廓图形的感知图层呢？

另外，梯度和用了这么久，发现一个叫积分和的东东，有很多相似之处，有机会，好好对比一下。