桶形失真是非线性的，但它也是平滑的。这意味着它可以通过一组分段线性近似来很好地近似。因此，您不需要一个大的、每个像素的未失真位移查找表。相反，您可以对其进行二次采样（或只是缩小），并对中间的像素使用双线性插值。

我已经找到了一个解决方案，通过创建单独的函数来进行反扭曲和变换，然后将它们链接在一起。
这里的skimage源代码有一个_apply_mat方法，用于从一个矩阵生成一个Map，我的unwarp函数就是基于这个方法：

def unwarp(coords, matrix):
    coords = np.array(coords, copy=False, ndmin=2)
    x, y = np.transpose(coords)
    src = np.vstack((x, y, np.ones_like(x)))
    dst = src.T @ matrix.T

    # below, we will divide by the last dimension of the homogeneous
    # coordinate matrix. In order to avoid division by zero,
    # we replace exact zeros in this column with a very small number.
    dst[dst[:, 2] == 0, 2] = np.finfo(float).eps
    # rescale to homogeneous coordinates
    dst[:, :2] /= dst[:, 2:3]

    return dst[:, :2]

我基于Tanner Hellands algorithm创建了一个类似的函数来消除失真：

def undistort(coords, cols, rows, correction_radius, zoom):
    half_width = cols / 2
    half_height = rows / 2
    new_x = coords[:, 0] - half_width
    new_y = coords[:, 1] - half_height
    distance = np.hypot(new_x, new_y)
    r = distance / correction_radius
    theta = np.ones_like(r)
    # only process non-zero values
    np.divide(np.arctan(r), r, out=theta, where=r!=0)
    source_x = half_width + theta * new_x * zoom
    source_y = half_height + theta * new_y * zoom
    result = np.column_stack([source_x, source_y])       
    return result

这里唯一需要注意的是除法，我们需要防止除以零。
一旦我们有了每个查找表，我们就可以将它们链接在一起：

def undistort_unwarp(coords):
    undistorted = undistort(coords)
    both = unwarp(undistorted)
    return both

请注意，以下是传递给skimage.transform.warp_coords的可调用函数：

mymap = tf.warp_coords(undistort_unwarp, shape=(rows, cols), dtype=np.int16)

然后可以将贴图传递给skimage.transform.warp函数。
Francesco的回答很有帮助，但是我需要全像素分辨率来进行转换，所以我也用它来进行反扭曲，并寻找其他方法来减少内存消耗。
每个Map消耗
行 * 列 * 每项字节数 * 2（x和y）
默认的数据类型是float64，它要求每项8个字节，文档建议明智的选择是默认的或者每项4个字节的float32。我能够使用int16将其减少到每项2个字节，没有明显的不良影响，但是我怀疑样条插值没有被充分使用（根本没有？）。
彩色RGB图像的每个通道的Map都是一样的。但是，当我用shape=（rows，cols，3）调用warp_coords时，我得到了3个重复的Map，所以我创建了一个函数，通过分别处理每个通道来处理彩色图像：

def warp_colour(img_arr, coord_map):
    if img_arr.ndim == 3:
        # colour
        rows, cols, _chans = img_arr.shape
        r_arr = tf.warp(img_arr[:, :, 0], inverse_map=coord_map, output_shape=(rows, cols))
        g_arr = tf.warp(img_arr[:, :, 1], inverse_map=coord_map, output_shape=(rows, cols))
        b_arr = tf.warp(img_arr[:, :, 2], inverse_map=coord_map, output_shape=(rows, cols))
        rgb_arr = np.dstack([r_arr, g_arr, b_arr])
    else:
        # grayscale
        rows, cols = img_arr.shape
        rgb_arr = tf.warp(img_arr, inverse_map=coord_map, output_shape=(rows, cols))
    return rgb_arr

skimage.transform.warp_coords的一个问题是它没有skimage.transform.warp所具有的map_args字典参数。我不得不通过一个中间函数调用我的unwarp和undistort函数来添加这些参数。