1. 从理想世界到数字图像：针孔模型揭秘

想象一下，你正站在一间完全黑暗的房间里，墙上有一个小孔。外面的阳光透过这个小孔，在对面的墙上投射出倒立的街景——这就是最原始的相机工作原理。现代数码相机虽然复杂得多，但核心原理依然遵循这个简单的针孔模型。

在实际工程中，我们需要用数学语言来描述这个过程。当三维世界中的一个点（比如路灯顶端）通过相机成像时，会经历三个关键坐标系的转换：

1. 世界坐标系：以现实场景为参考，比如我们可以把地面某个角落设为原点
2. 相机坐标系：以相机镜头中心为原点，Z轴指向拍摄方向
3. 像素坐标系：最终照片上的像素网格，原点通常在图像左上角

这个转换过程可以用一个简洁的矩阵乘法表示：

import numpy as np # 世界坐标到相机坐标的转换（外参） R = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1]]) # 旋转矩阵 t = np.array([0, 0, 0]) # 平移向量 T = np.vstack((np.hstack((R, t.reshape(3,1))), [0,0,0,1])) # 外参矩阵 # 相机坐标到像素坐标的转换（内参） K = np.array([[800, 0, 320], [0, 800, 240], [0, 0, 1]]) # 内参矩阵 # 完整的投影过程 world_point = np.array([1, 1, 5, 1]) # 齐次坐标 pixel_point = K @ (R @ world_point[:3] + t) # 投影到像素平面 pixel_point /= pixel_point[2] # 齐次坐标归一化

这里有个有趣的现象：在理想针孔模型中，远处的建筑物和近处的行人虽然实际大小相差巨大，但在照片上可能呈现相似的高度。这就是透视投影的特性——物体成像大小与其距离成反比。

提示：内参矩阵K中的fx/fy代表焦距（像素单位），(cx,cy)是主点坐标。这些参数需要通过相机标定获得，一旦确定就不会改变。

2. 当理想遇到现实：透镜带来的畸变问题

完美的针孔模型只存在于理论中。现实中为了获得足够的光线，相机都需要使用透镜组，这就引入了各种光学畸变。最常见的有两种：

• 径向畸变：像水波纹一样从中心向外扩散的变形
• 切向畸变：像玻璃被挤压后产生的倾斜变形

我曾在项目中使用工业相机时遇到过典型的桶形畸变——标定板的直线在图像边缘变成了明显的曲线。通过分析发现，这种畸变主要来源于：

1. 透镜的曲率不完美（特别是广角镜头）
2. 不同波长光线的折射率差异
3. 透镜组中各镜片的装配误差

畸变的数学模型可以用多项式来描述。对于图像中的任意一点(x,y)，其畸变偏移量可以表示为：

# 径向畸变系数 k1, k2, k3 = -0.1, 0.01, 0 # 切向畸变系数 p1, p2 = 0.001, -0.002 def distort_point(x, y): r2 = x**2 + y**2 radial = 1 + k1*r2 + k2*r2**2 + k3*r2**3 x_distorted = x*radial + 2*p1*x*y + p2*(r2 + 2*x**2) y_distorted = y*radial + p1*(r2 + 2*y**2) + 2*p2*x*y return x_distorted, y_distorted

实测数据显示，普通手机摄像头的畸变在图像边缘可能达到10-20个像素的偏移，这对于需要精确测量的计算机视觉应用是绝对不能忽视的。

3. 矫正的艺术：从畸变图像到准确坐标

理解了畸变成因后，我们需要在算法层面进行矫正。OpenCV等库提供了现成的函数，但了解底层原理很重要。完整的去畸变流程包括：

1. 将像素坐标转换到归一化相机平面
2. 应用畸变模型计算矫正后的坐标
3. 重新投影回像素坐标系

这里有个容易踩坑的地方：去畸变的顺序。正确的处理流程应该是：

世界坐标 → 相机坐标 → 归一化坐标 → 去畸变 → 像素坐标

我整理了一个实际项目中的参数对比表，展示了不同镜头的畸变特性：

在SLAM系统中，错误的畸变处理会导致特征点匹配出现系统性误差。有次调试时发现轨迹总是漂移，排查了半天才发现是畸变参数的单位搞错了——k1/k2应该用归一化坐标计算，而团队新人直接用了像素坐标。

4. 实战：完整成像链路实现

现在我们把所有知识点串联起来，用Python实现完整的成像仿真：

import cv2 import matplotlib.pyplot as plt def simulate_imaging(world_points, K, dist_coeffs, R, t): """完整的成像过程模拟""" # 世界坐标→相机坐标 cam_points = (R @ world_points.T + t).T # 相机坐标→归一化平面 norm_points = cam_points[:, :2] / cam_points[:, 2:3] # 应用畸变 dist_points = cv2.undistortPoints( norm_points.reshape(-1,1,2), K, dist_coeffs, P=K).reshape(-1,2) # 绘制结果 plt.figure(figsize=(12,4)) plt.subplot(131) plt.scatter(*norm_points.T, c='r', label='理想投影') plt.title("理想针孔投影") plt.subplot(132) distorted = cv2.projectPoints( world_points, np.eye(3), np.zeros(3), K, dist_coeffs)[0] plt.scatter(*distorted.squeeze().T, c='b', label='畸变投影') plt.title("实际畸变投影") plt.subplot(133) plt.scatter(*dist_points.T, c='g', label='去畸变结果') plt.title("去畸变还原") plt.tight_layout() plt.show() # 测试用例 K = np.array([[800,0,320],[0,800,240],[0,0,1]]) # 内参 dist_coeffs = np.array([-0.2, 0.05, 0.001, -0.002]) # 畸变系数 R = np.eye(3) # 无旋转 t = np.zeros(3) # 无平移 world_points = np.random.rand(100,3) * 10 # 随机生成100个点 simulate_imaging(world_points, K, dist_coeffs, R, t)

这个仿真展示了从三维场景到二维图像的完整变换过程。在实际开发中，有几个经验值得分享：

1. 标定板要尽量覆盖整个视野，特别是边缘区域
2. 对于鱼眼镜头需要使用不同的畸变模型
3. 温度变化可能导致镜头形变，高精度场景需要定期重新标定

在机器人导航项目中，我们通过精心设计的标定流程，将立体相机的重投影误差控制在了0.3像素以内，这对后续的视觉定位精度提升非常关键。