4. 相机成像模型：从三维世界到二维像素
相机是怎么把三维世界“拍”成一张二维照片的？
这个问题，我当年刚入行时也琢磨了很久。说白了，相机成像就是一个坐标变换的过程——把现实中的点，一步步映射到像素坐标系上。今天咱们就把它彻底讲透。
4.1 针孔相机模型：最朴素的成像原理
针孔相机模型，是所有相机模型的基础。它假设光线沿直线传播，穿过一个小孔，在成像平面上形成倒立的像。
嗯，这里要注意：实际相机用的是透镜，不是针孔。但针孔模型足够简单，也足够精确，所以成了行业标准。
数学上，针孔模型描述的是从三维世界坐标到二维图像坐标的映射关系。我习惯把它拆成三步：
- 世界坐标系 → 相机坐标系（刚体变换，旋转+平移）
- 相机坐标系 → 图像坐标系（透视投影）
- 图像坐标系 → 像素坐标系（离散化采样）
这三步，每一步都有对应的矩阵运算。咱们一个一个来看。
4.2 内参矩阵：相机自己的“基因”
内参矩阵描述的是相机内部的光学特性。它决定了：一个三维点投影到图像上，到底落在哪个像素位置。
内参矩阵 K 长这样：
K = [fx 0 cx
0 fy cy
0 0 1]其中：
- fx, fy：焦距在 x 和 y 方向上的像素尺度。说白了，就是焦距除以像元尺寸。
- cx, cy：主点坐标，也就是光轴与成像平面的交点。理想情况下在图像中心，但实际总有偏差。
我在项目中遇到过一件事：某次标定完发现 cx 偏了 5 个像素，一开始以为是标定板没放正。后来查了查，其实是镜头装配时传感器没对准。嗯，这种偏差很常见，但必须标定出来。
4.3 外参矩阵：相机在哪儿？朝哪儿看？
外参矩阵描述的是相机在世界坐标系中的位置和朝向。它由两部分组成：
- 旋转矩阵 R：3×3，描述相机的朝向
- 平移向量 t：3×1，描述相机的位置
外参矩阵通常写作 [R | t]，是一个 3×4 的矩阵。
你想想看，自动驾驶车上装了 6 个摄像头，每个摄像头的外参都不一样。前视相机朝前看，侧视相机朝侧看。这些外参必须精确标定，否则融合出来的点云全是错的。
4.4 畸变模型：镜头不是完美的
现实中的镜头不是针孔，而是透镜。透镜会引入畸变，导致图像变形。畸变主要分两种：
4.4.1 径向畸变
径向畸变是沿着镜头半径方向的变形。离光心越远，畸变越明显。它又分两种：
- 桶形畸变：图像向外凸出，像桶一样。广角镜头常见。
- 枕形畸变：图像向内凹陷，像枕头一样。长焦镜头常见。
数学上，径向畸变用三个参数描述：k1, k2, k3。其中 k1 是主要项，k2 和 k3 是修正项。
x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)其中 r 是像素点到光心的距离。
4.4.2 切向畸变
切向畸变是由于镜头和传感器不平行造成的。说白了，就是镜头装歪了。
切向畸变用两个参数描述：p1, p2。
x_distorted = x + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_distorted = y + [p1*(r^2 + 2*y^2) + 2*p2*x*y]我记得有一次标定完，发现切向畸变参数特别大。检查了一下，果然是镜头没拧紧。拧紧后再标定，参数就正常了。
4.5 完整成像模型：从世界到像素
把上面所有东西串起来，完整的成像过程是这样的：
- 世界坐标系下的点 P_w = [X, Y, Z, 1]^T
- 通过外参矩阵变换到相机坐标系：P_c = [R | t] * P_w
- 透视投影到归一化平面：x = X_c / Z_c, y = Y_c / Z_c
- 加入畸变：x', y' = distort(x, y)
- 通过内参矩阵映射到像素：u = fx * x' + cx, v = fy * y' + cy
这个过程，我建议你写成一个函数。每次标定完，用这个函数验证一下，看看投影误差有多大。
4.6 知识体系结构图
下面这张图，是我自己整理的相机成像模型知识体系。你可以把它当作学习路线图：
4.7 总结
相机成像模型，说白了就是一套数学公式。但理解它背后的物理意义，比死记公式重要得多。
我个人习惯把内参、外参、畸变参数分开理解。内参是相机自己的事，外参是相机和世界的关系，畸变是镜头不完美的补偿。三者合在一起，才能把三维世界准确地映射到二维像素上。
下一节，咱们会讲怎么用 OpenCV 实际标定这些参数。到时候，我会分享一些我踩过的坑，帮你少走弯路。
可可精品资料库