相机成像基础：针孔模型、内参外参、畸变模型、图像坐标系与相机坐标系转换

双目立体视觉的核心任务是从两幅图像中恢复三维空间信息，而这一切的起点，是理解相机如何将三维世界投影为二维像素。本章将系统梳理相机成像的数学基础：从理想针孔模型出发，建立四个坐标系之间的转换链路，引入内参与外参的物理含义，再讨论真实镜头带来的畸变及其校正方法。这些内容不仅是深度估计算法的前提，也是标定、极线校正、三角测量等后续模块的基石。

2.1 针孔模型：理想投影的数学描述

针孔模型是相机成像的最简近似。它假设光线沿直线传播，穿过一个无限小的光心（投影中心），在成像平面上形成倒立的实像。实际工程中，我们常将成像平面虚拟到光心前方，使图像保持正立，便于数学处理。设空间点 P(Xc, Yc, Zc) 在相机坐标系下，其理想投影点 p(x, y) 满足：

x = f · Xc / Zc
y = f · Yc / Zc

其中 f 为焦距（物理单位，通常为毫米）。这一透视投影关系将三维点映射到二维平面，但丢失了深度信息——这正是双目视觉需要两个相机的原因：通过视差恢复 Zc。

针孔模型的本质是透视除法：将三维坐标除以 Zc 分量，实现从三维到二维的降维。该模型在 Zc 较大时近似准确，但在近距或广角场景下，必须考虑畸变修正。

2.2 四个坐标系与转换链路

相机成像涉及四个坐标系，理解它们之间的转换关系是标定与深度估计的基础。下表总结了各坐标系的定义与转换关系：

外参（Extrinsic）描述世界坐标系到相机坐标系的刚体变换，包含旋转矩阵 R（3×3）和平移向量 t（3×1）。R 由三个欧拉角（roll, pitch, yaw）或四元数表示，t 表示相机在世界坐标系中的位置。外参是每个相机独立的，双目系统中两个相机的外参差异即为其相对位姿。

内参（Intrinsic）描述相机坐标系到像素坐标系的映射，核心是内参矩阵 K：

K = [[fx,  0, cx],
     [ 0, fy, cy],
     [ 0,  0,  1]]

其中 fx = f/dx，fy = f/dy（dx, dy 为单个像素的物理尺寸），(cx, cy) 为主点坐标（光轴与像面的交点，通常接近图像中心）。内参是相机的固有属性，不随相机移动而改变。

完整的像素坐标转换公式为：

Zc · [u, v, 1]ᵀ = K · [R | t] · [Xw, Yw, Zw, 1]ᵀ

这一公式将世界点直接映射到像素，是标定、重投影、三角测量的核心方程。

2.3 畸变模型：真实镜头的修正

实际镜头并非理想针孔，光线通过透镜时会发生折射偏差，导致投影点偏离理想位置。畸变主要分为两类：

• 径向畸变：由透镜形状引起，光线在边缘弯曲更严重。表现为图像边缘的直线变弯，分为桶形畸变（负向）和枕形畸变（正向）。用多项式参数 k1, k2, k3 描述：

x_dist = x · (1 + k1·r² + k2·r⁴ + k3·r⁶)
y_dist = y · (1 + k1·r² + k2·r⁴ + k3·r⁶)

其中 r² = x² + y² 为点到主点的距离平方。通常 k1, k2 足够，鱼眼镜头才需要 k3。

• 切向畸变：由透镜与成像平面不平行引起，表现为图像在某个方向被拉伸。用参数 p1, p2 描述：

x_dist = x + [2·p1·x·y + p2·(r² + 2·x²)]
y_dist = y + [p1·(r² + 2·y²) + 2·p2·x·y]

畸变校正的目标是：给定畸变坐标 (x_dist, y_dist)，反求理想坐标 (x, y)。实际工程中通常采用迭代法或查表法实现实时校正。

2.4 实战案例：双目相机标定与畸变校正

假设我们搭建了一套双目视觉系统，用于机器人抓取任务。系统包含两个工业相机（分辨率 1280×1024，像元尺寸 4.8μm），基线距离 120mm。初始现象：拍摄棋盘格时，图像边缘直线明显弯曲，且左右目图像对应点垂直方向存在偏差。

分析过程：

1. 使用 OpenCV 采集 20 组左右目同步棋盘格图像（不同角度、距离 0.5~1.5m）。
2. 对每个相机单独标定，得到内参和畸变系数。左目结果：fx=1263.2, fy=1262.8, cx=642.1, cy=511.7, k1=-0.284, k2=0.087, p1=0.0012, p2=-0.0008。
3. 重投影误差：左目 0.08px，右目 0.09px，满足精度要求。
4. 使用 stereoCalibrate() 计算双目外参：旋转矩阵 R 接近单位阵（约 0.3° 偏差），平移向量 t = [119.8, -0.4, 2.1]mm，与设计基线 120mm 吻合。
5. 应用 initUndistortRectifyMap() 生成校正映射表，对实时图像进行去畸变和极线校正。

结果对比：校正后棋盘格直线度误差从 3.2px 降至 0.3px；左右目对应点垂直视差从 1.8px 降至 0.1px，满足立体匹配的极线约束要求。

风险与代价：标定板不平整会导致畸变参数偏差；温度变化可能引起镜头焦距漂移，建议每季度重新标定。校正映射表占用内存约 10MB（双目），嵌入式平台需考虑存储与查表延迟。

2.5 常见误区与总结复盘

初学者在相机建模中常犯以下错误：

• 混淆图像坐标系与像素坐标系：图像坐标以毫米为单位，原点在光轴与像面交点；像素坐标以像素为单位，原点在左上角。两者通过内参矩阵的缩放和平移关联。
• 忽略 Zc 的作用：公式中 Zc 是乘在像素坐标左侧的尺度因子，不能随意丢弃。三角测量中正是利用 Zc 的不同来恢复深度。
• 将畸变校正放在立体匹配之后：必须先对左右目图像分别去畸变，再进行极线校正和匹配，否则匹配精度严重下降。
• 认为内参是固定不变的：温度、振动、镜头松动都会改变内参，高精度应用需定期校验。

本章建立的坐标系转换框架是双目视觉的数学基石。下一阶段，我们将基于这些模型，推导双目极线几何与视差计算原理。建议读者动手完成一次完整的单目标定，用代码验证每个参数的实际影响，这将极大加深对成像模型的理解。