1. 相机成像模型：从光线到像素的奇幻旅程

大家好，欢迎来到《张正友标定法：从原理到OpenCV实现》的第一章。我是你们的老朋友，一个在计算机视觉领域摸爬滚打多年的工程师。今天，咱们不聊那些枯燥的数学公式，先聊聊相机是怎么“看”世界的。

你可能会想，相机不就是按个快门吗？其实，从现实世界的一个点，到你手机屏幕上的一个像素，中间经历了一系列复杂的坐标变换。这个过程，就是我们今天要讲的相机成像模型。说白了，就是搞清楚“世界上的点”是怎么变成“照片上的点”的。

1.1 小孔成像：最朴素的相机原型

咱们先从最古老的相机——小孔成像说起。我记得小时候上物理课，老师用一个带小孔的纸盒，在暗室里就能把外面的景物倒着投影在墙上。当时觉得特别神奇。

小孔成像的原理其实很简单：

• 光线沿直线传播。
• 物体上每一点发出的光线，只有通过小孔的那一束才能到达成像平面。
• 结果就是：一个倒立的、左右颠倒的实像。

这个模型虽然简单，但它抓住了相机成像的本质：透视投影。你想想看，小孔越小，像越清晰，但进光量也越少，像就越暗。这就是一个天然的矛盾。现代相机用透镜来解决这个问题，但透视投影的几何关系，依然是从小孔模型衍生出来的。

1.2 针孔相机模型：数学化的理想相机

小孔成像太“物理”了，工程师们需要把它变成数学公式。于是就有了针孔相机模型。它是对真实相机的一种理想化抽象，假设相机就是一个完美的针孔。

在这个模型里，有几个关键角色：

• 光心 (Optical Center)： 就是那个小孔的位置，记作 \(O\)。
• 光轴 (Optical Axis)： 穿过光心，垂直于成像平面的直线。
• 成像平面 (Image Plane)： 光线投影后形成图像的地方。
• 焦距 (Focal Length)： 光心到成像平面的距离，记作 \(f\)。

为了数学上方便，我们通常把成像平面“虚拟”地放到光心前面（正立虚像平面），这样图像就是正立的了。这个操作在数学上是等价的，但能省去处理倒像的麻烦。

那么，一个三维空间点 \(P(X, Y, Z)\) 是怎么投影到图像点 \(p(x, y)\) 的呢？

根据相似三角形，我们可以得到：

x = f * (X / Z)
y = f * (Y / Z)

看到没？\(Z\) 在分母上。这意味着：物体离相机越远（Z越大），它在图像上的像就越小。这就是“近大远小”的数学本质。

1.3 世界坐标系到像素坐标系的转换：四步走

现在，我们有了针孔模型，但问题来了：我们测量物体用的是“世界坐标系”（比如以房间角落为原点），而相机有自己的“相机坐标系”（以光心为原点），图像还有“图像坐标系”（以图像中心为原点），最后才是“像素坐标系”（以图像左上角为原点）。

这四者之间怎么转换？我习惯把它拆成四步，每一步对应一个变换矩阵。你想想看，这就像把货物从工厂（世界）运到仓库（相机），再分拣到货架（图像），最后贴上条形码（像素）。

步骤	变换名称	输入坐标系	输出坐标系	变换矩阵	参数
1	刚体变换	世界坐标系	相机坐标系	\([R|t]\)	旋转矩阵 \(R\)，平移向量 \(t\)
2	透视投影	相机坐标系	归一化图像坐标系	\(\begin{bmatrix} f & 0 & 0 \\ 0 & f & 0 \\ 0 & 0 & 1 \end{bmatrix}\)	焦距 \(f\)
3	图像物理坐标	归一化图像坐标系	图像坐标系	\(\begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}\)	（单位转换，通常隐含在下一步）
4	像素坐标	图像坐标系	像素坐标系	\(\begin{bmatrix} 1/dx & 0 & u_0 \\ 0 & 1/dy & v_0 \\ 0 & 0 & 1 \end{bmatrix}\)	像素尺寸 \(dx, dy\)，主点 \((u_0, v_0)\)

嗯，这里要注意，步骤2和步骤3、4经常被合并成一个内参矩阵 \(K\)。这个 \(K\) 矩阵，就是相机的“身份证”，包含了焦距、主点、像素尺寸等信息。

最终，整个变换可以写成：

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

其中，\(s\) 是一个尺度因子，\([u, v]\) 是像素坐标，\([X, Y, Z]\) 是世界坐标。这个公式，就是相机成像模型的终极形态。你把它背下来，后面的标定、三维重建，全都要靠它。

1.4 知识体系总览：一张图看懂

说了这么多，咱们用一张SVG图来总结一下整个知识体系。这张图是我自己设计的，把四个坐标系和它们之间的变换关系画得清清楚楚。

这张图里，从左到右，从上到下，清晰地展示了从世界坐标到像素坐标的完整流程。外参 \([R|t]\) 负责把世界坐标“搬”到相机坐标系，内参 \(K\) 负责把相机坐标“投影”到像素坐标。标定的任务，就是求出这两个矩阵。

1.5 小结：你学到了什么？

好了，这一章的内容就到这里。我们从小孔成像的物理原理出发，建立了针孔相机模型的数学框架，然后一步步推导了从世界坐标系到像素坐标系的完整变换过程。最后，我们用一张SVG图把整个知识体系串了起来。

我个人觉得，理解这个模型的关键，不在于记住那个复杂的矩阵公式，而在于理解每一步变换的物理意义。为什么要有外参？因为相机可以放在任何地方。为什么要有内参？因为每个相机的镜头和传感器都不一样。当你把这些问题想明白了，后面的标定算法，就只是水到渠成的事了。