3. 相机成像模型
各位同学，欢迎来到第三章。
这一章是整个3D视觉的基石。说白了，相机是怎么把三维世界变成一张二维图片的？你看到的每个像素，背后都有一套严格的数学映射。我当年刚入行时，觉得这些公式枯燥，直到第一次做手眼标定，发现抓取点总是偏几毫米，才意识到——嗯，成像模型没吃透，后面全是空中楼阁。
3.1 针孔模型——最朴素的成像原理
先别被“模型”两个字吓到。你想想看，小孔成像大家都玩过吧？一个暗箱，前面戳个小孔，外面的景物就倒着映在后面的毛玻璃上。针孔模型就是把这个过程数学化。
核心就一句话：三维空间中的点，通过光心投影到成像平面上。
数学上，假设世界点坐标为 (X, Y, Z)，成像点坐标为 (x, y)，焦距为 f。根据相似三角形：
x = f * (X / Z)
y = f * (Y / Z)注意，这里有个关键细节：Z 是深度，不是到光心的直线距离。我在项目中遇到过有人把 Z 理解成斜距，结果投影全错了，排查了一整天。
核心结论：针孔模型是线性模型，但真实相机因为透镜的存在，会引入畸变。所以针孔模型只是“理想情况”，实际使用时必须配合畸变校正。
3.2 畸变模型——为什么直线会变弯？
你拍一张棋盘格照片，放大边缘看看。原本笔直的线条，是不是有点弯？这就是畸变。
畸变主要分两类：径向畸变和切向畸变。
3.2.1 径向畸变
径向畸变是透镜形状不完美造成的。越靠近图像边缘，变形越明显。我习惯把它想象成“鱼眼效果”——只不过鱼眼是故意夸张，而我们是要消除它。
数学上，用泰勒级数来修正：
x_corrected = x * (1 + k1 * r² + k2 * r⁴ + k3 * r⁶)
y_corrected = y * (1 + k1 * r² + k2 * r⁴ + k3 * r⁶)其中 r 是像素到图像中心的距离，k1、k2、k3 是径向畸变系数。一般工业相机用 k1、k2 就够了，k3 通常用于大畸变镜头（比如鱼眼）。
我的经验：标定时如果只给 k1、k2，结果往往还行。但如果你用广角镜头，一定要加上 k3。我曾经在一个料箱抓取项目里，因为没加 k3，边缘的抓取点偏差达到 5mm，后来加上就好了。
3.2.2 切向畸变
切向畸变是透镜和成像平面不平行造成的。说白了，就是镜头装歪了。
修正公式：
x_corrected = x + [2 * p1 * x * y + p2 * (r² + 2 * x²)]
y_corrected = y + [p1 * (r² + 2 * y²) + 2 * p2 * x * y]p1、p2 是切向畸变系数。实际项目中，切向畸变通常比径向畸变小一个数量级。但别忽略它——在精密抓取中，0.1mm 的误差都可能让夹爪撞到工件。
避坑指南：我曾经在一个项目中，只标定了径向畸变，忽略了切向。结果在图像边缘区域，抓取点总是偏。后来加上切向畸变标定，问题解决。记住：畸变模型要完整，不要偷懒。
3.3 内参矩阵——相机自己的“身份证”
内参矩阵描述的是相机内部的几何特性。它把相机坐标系下的点，映射到像素坐标系。
标准形式：
K = [fx, 0, cx
0, fy, cy
0, 0, 1]各参数物理意义：
| 参数 | 物理意义 | 单位 |
|---|---|---|
| fx, fy | 焦距在 x、y 方向的像素尺度 | 像素 |
| cx, cy | 主点（光轴与成像平面交点）的像素坐标 | 像素 |
你可能会问：为什么焦距会有两个值？因为像素不是正方形的。工业相机里，fx 和 fy 通常很接近，但不完全相等。我见过一些初学者直接把 fx 当 fy 用，结果图像比例失真。
关键理解：内参矩阵只跟相机本身有关。换镜头、调焦距，内参就会变。所以每次拆装镜头后，必须重新标定内参。
3.4 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。它由旋转矩阵 R 和平移向量 t 组成：
[R | t]其中 R 是 3×3 的旋转矩阵，t 是 3×1 的平移向量。
物理意义很直观：
- R：相机朝哪个方向看（姿态）
- t：相机在哪儿（位置）
举个例子：你把相机固定在机械臂末端。机械臂动一下，外参就变了。但内参纹丝不动。这就是内外参的本质区别。
我的习惯：在无序抓取项目中，我通常把外参矩阵写成 4×4 的齐次变换矩阵。这样方便跟机械臂的位姿直接相乘，省去很多坐标转换的麻烦。
3.5 完整成像流程——从世界点到像素
把上面所有东西串起来，一个三维点变成像素的完整流程是：
- 世界坐标系 → 相机坐标系：乘以 [R | t]
- 相机坐标系 → 归一化平面：除以 Z
- 加畸变：用径向/切向模型修正
- 归一化平面 → 像素坐标系：乘以内参矩阵 K
写成数学形式：
s * [u, v, 1]ᵀ = K * [R | t] * [X, Y, Z, 1]ᵀ其中 s 是尺度因子（其实就是 Z）。
这个公式，我建议你手推一遍。当年我就是靠手推，才真正理解了每个矩阵的物理意义。光看是记不住的。
3.6 标定实战——你需要知道的事
理论讲完了，说点实际的。标定相机内参和畸变，最常用的方法是张正友标定法。你只需要打印一张棋盘格，拍十几张不同角度的照片，然后用 OpenCV 的 calibrateCamera() 函数就能搞定。
但有几个坑，我帮你列出来：
- 棋盘格要平整：贴在硬板上，别用软纸。我见过有人贴墙上，结果墙面不平，标定出来畸变系数全是错的。
- 覆盖整个视野：照片要包含图像中心、边缘、四个角。只拍中间，边缘畸变标不准。
- 角度要多样：倾斜、旋转、远近都要有。只拍正面的，解算不稳定。
- 照片数量：15-20 张足够。太多反而增加计算量，太少精度不够。
重要提醒：标定完成后，一定要做重投影误差检查。如果平均误差超过 0.5 像素，说明标定质量不行，需要重新拍。我给自己定的标准是 < 0.3 像素。
3.7 本章小结
这一章的内容，是后续所有章节的基础。你理解了针孔模型，就知道为什么深度 Z 这么重要；你理解了畸变模型，就知道为什么边缘抓取点要特别小心；你理解了内外参，就知道手眼标定到底在标什么。
下一章，我们会把这些知识用到相机标定实战中。到时候，我会手把手带你走一遍完整的标定流程，包括代码实现和结果验证。
嗯，今天就到这儿。记得把公式手推一遍，别偷懒。