📚 课程目录第4章相机模型与成像原理

4. 相机模型与成像原理

做标定这么多年，我越来越觉得，搞懂相机模型是标定工程师的「基本功」。你想想看，如果连相机怎么成像的都不清楚，那标定出来的参数你敢用吗？

这一章，咱们就把相机模型彻底掰开揉碎。从最简单的针孔模型讲起，再到畸变模型，最后把内参和外参矩阵说清楚。嗯，这些概念会贯穿整个课程，所以这一章值得你多花点时间。

  核心一句话：相机标定，本质上就是求解内参矩阵、外参矩阵和畸变系数的过程。模型越准，标定结果越可靠。

4.1 针孔模型：最朴素的成像原理

针孔模型，说白了就是初中物理课上那个小孔成像实验。光线穿过一个小孔，在后面的平面上形成倒立的像。相机镜头虽然复杂，但核心思想是一样的——把三维世界投影到二维图像上。

我刚开始做视觉项目时，总觉得针孔模型太简单，实际用不上。后来才发现，所有复杂的相机模型都是在这个基础上加修正。你把这个搞懂了，后面学什么都快。

针孔模型的数学表达，其实就是四个坐标系之间的转换：

世界坐标系（World）：我们放标定板的地方，单位是毫米或米
相机坐标系（Camera）：以相机光心为原点，Z轴指向镜头前方
图像坐标系（Image）：在成像平面上，单位是毫米
像素坐标系（Pixel）：就是我们最终看到的图像，单位是像素

从世界坐标到像素坐标，一共三步：

世界坐标 → 相机坐标（外参矩阵搞定）
相机坐标 → 图像坐标（针孔投影公式）
图像坐标 → 像素坐标（内参矩阵搞定）

公式长这样：

s * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

其中 s 是尺度因子，K 是内参矩阵，[R | t] 是外参矩阵。别被公式吓到，后面咱们一个一个拆开看。

4.2 畸变模型：现实世界没有完美的镜头

针孔模型是理想情况。现实中的镜头有透镜，透镜就会带来畸变。我遇到过不少新手，标定完发现误差很大，其实就是没处理好畸变。

畸变主要分两类：

畸变类型	产生原因	视觉效果	数学参数
径向畸变	透镜形状不完美，边缘光线偏折更大	直线变弯，像鱼眼效果	k1, k2, k3
切向畸变	透镜与成像平面不平行	图像倾斜，像被拉伸	p1, p2

4.2.1 径向畸变

径向畸变是最常见的。你拍一张棋盘格，如果边缘的格子明显弯曲，那就是径向畸变在作怪。

它分两种：

桶形畸变：图像中心向外膨胀，边缘向内收缩。广角镜头常见。
枕形畸变：图像中心向内收缩，边缘向外膨胀。长焦镜头常见。

数学修正公式：

x_corrected = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_corrected = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)

其中 r 是像素到图像中心的距离。k1、k2、k3 就是我们要标定的径向畸变系数。一般 k1 和 k2 就够了，k3 只在畸变特别大的镜头（比如鱼眼）才用。

我的经验：标定径向畸变时，标定板一定要拍到图像的边缘区域。如果只拍中心区域，畸变参数根本算不准。我曾经因为这个吃过亏，后来每次标定都刻意让标定板靠近图像四角。

4.2.2 切向畸变

切向畸变，说白了就是镜头装歪了。透镜的光轴没有垂直于成像平面，导致图像一边被拉伸，另一边被压缩。

修正公式：

x_corrected = x + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_corrected = y + [p1*(r^2 + 2*y^2) + 2*p2*x*y]

p1 和 p2 就是切向畸变系数。大多数工业镜头的切向畸变很小，但廉价镜头或手机镜头就比较明显。

注意：畸变参数不是越多越好。盲目增加 k3 或高阶项，可能导致过拟合。我一般先用 k1、k2、p1、p2 四个参数，如果重投影误差还大，再考虑加 k3。

4.3 内参矩阵：相机的「身份证」

内参矩阵 K 描述了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。

内参矩阵长这样：

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

四个参数的含义：

参数	含义	单位
fx	x方向的焦距（像素单位）	像素
fy	y方向的焦距（像素单位）	像素
cx	主点x坐标（光心在图像上的位置）	像素
cy	主点y坐标（光心在图像上的位置）	像素

fx 和 fy 理论上应该相等，但实际制造中会有微小差异。cx 和 cy 一般在图像中心附近，但不一定正好在正中心。

内参矩阵一旦标定好，只要不换镜头、不变焦距，就可以一直用。这也是为什么我们标定一次能用很久。

4.4 外参矩阵：相机在空间中的「位置和姿态」

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 矩阵，描述相机的朝向
平移向量 t：3×1 向量，描述相机的位置

外参矩阵的完整形式：

[R | t] = [r11, r12, r13, t1]
          [r21, r22, r23, t2]
          [r31, r32, r33, t3]

旋转矩阵 R 有三个自由度，可以用欧拉角（俯仰角、偏航角、翻滚角）或四元数表示。平移向量 t 就是相机光心在世界坐标系中的坐标。

外参矩阵的特点是：每拍一张标定板图片，外参都不一样。因为标定板的位置变了，或者相机动了。这也是为什么标定需要多张图片——每张图片都提供一组外参约束，共同求解内参。

4.5 知识结构总览

下面这张图，把相机模型的核心逻辑串起来了。我建议你多看几遍，把每个模块之间的关系理清楚。

4.6 标定到底在算什么？

把上面所有内容串起来，标定要算的就是这些东西：

参数类别	具体参数	数量	说明
内参	fx, fy, cx, cy	4	相机固有属性，不变
畸变系数	k1, k2, p1, p2（可选 k3）	4~5	镜头畸变修正参数
外参	每张图片的 R 和 t	6 × N	N 为标定图片数量

举个例子，你用 20 张图片标定，总共要算的参数是：4（内参）+ 4（畸变）+ 6×20（外参）= 128 个参数。听起来很多，但 OpenCV 的标定算法用最小二乘法一次搞定。

我的建议：标定完成后，一定要看重投影误差。一般小于 0.5 像素就算不错，小于 0.3 像素就很好了。如果误差大于 1 像素，说明标定板检测有问题，或者图片质量不行，需要重新拍。

嗯，这一章的内容就到这儿。相机模型是标定的理论基础，后面讲具体操作时，你会反复用到这些概念。先把它们消化掉，后面的路就好走了。