相机成像模型：从三维世界到二维像素

做RGBD相机标定，绕不开一个核心问题：相机到底是怎么看到世界的？

说白了，相机成像就是把三维空间里的点，映射到二维图像上。这个过程，我们用一个数学模型来描述。今天我就带你把这个模型拆开揉碎了讲清楚。

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。它假设光线通过一个小孔，在后面的成像平面上形成倒像。嗯，这里要注意，我们实际用的相机都有镜头，但数学上我们把它等效成针孔模型来处理。

我个人习惯把针孔模型理解成一个相似三角形的问题。你看：

• 三维空间点 P(X, Y, Z)
• 成像平面上的点 p(x, y)
• 焦距 f（光心到成像平面的距离）

根据相似三角形，有：

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

就这么简单。但实际中，我们用的像素坐标，不是物理坐标。所以需要引入像素坐标系。

2. 相机内参矩阵：从物理坐标到像素坐标

我在项目中遇到过一个问题：明明算出来的物理坐标是对的，但映射到图像上就是偏的。后来发现，是没考虑像素坐标系的原点偏移。

像素坐标系的原点通常在图像的左上角，而物理坐标系的原点在光轴上。所以我们需要一个转换矩阵——相机内参矩阵 K。

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

其中：

• fx, fy：焦距在x、y方向上的像素尺度（单位：像素）
• cx, cy：光心在像素坐标系中的位置（单位：像素）

完整的投影公式就变成了：

像素坐标 = K * [R|t] * 世界坐标

这里 [R|t] 是相机的外参，描述相机在世界坐标系中的位置和姿态。不过那是另一章的内容了，今天我们先聚焦内参。

3. 畸变模型：现实总是不完美的

你想想看，针孔模型是理想情况。但实际镜头有透镜，透镜就会引入畸变。说白了，就是图像变形了。

畸变主要分两种：

3.1 径向畸变

径向畸变是沿着镜头半径方向的变形。越靠近图像边缘，变形越明显。我最早做标定时，拍出来的棋盘格边缘都是弯的，就是径向畸变在作怪。

数学模型用泰勒级数展开来近似：

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^2 = x^2 + y^2，k1、k2、k3 是径向畸变系数。

这里有个坑：k3 通常只用于鱼眼镜头。普通镜头用 k1、k2 就够了。我曾经在标定普通镜头时强行加了 k3，结果过拟合，反而把图像搞得更扭曲了。

3.2 切向畸变

切向畸变是因为镜头和成像平面不平行造成的。说白了，就是镜头装歪了。

数学模型：

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]

p1、p2 是切向畸变系数。

4. 完整畸变模型

把径向和切向畸变合在一起，就是完整的畸变模型：

// 畸变参数向量： [k1, k2, p1, p2, k3]
// 通常我们只标定前4个或5个参数

// 去畸变流程：
// 1. 计算归一化坐标 (x, y)
// 2. 计算 r^2 = x^2 + y^2
// 3. 计算径向畸变系数
// 4. 计算切向畸变系数
// 5. 得到畸变后的坐标

实际标定时，OpenCV 的 calibrateCamera() 函数会帮我们自动求解这些参数。但理解背后的原理，能帮你更好地判断标定结果是否合理。

5. 知识体系总览

下面这张图，是我自己整理的相机成像模型知识结构。你看一眼，就能把今天讲的内容串起来：

6. 实际标定中的注意事项

参数	典型值范围	我的经验
fx, fy	500 ~ 2000 像素	两个值越接近，说明镜头质量越好
cx, cy	图像中心附近	如果偏离超过20像素，检查镜头安装
k1, k2	-0.5 ~ 0.5	绝对值大于0.1时，畸变已经很明显了
p1, p2	-0.05 ~ 0.05	超过0.01就要检查硬件了

好了，相机成像模型这部分就讲到这里。记住三个核心：针孔模型是基础，内参矩阵是桥梁，畸变模型是修正。搞懂这些，你就能理解相机标定到底在干什么了。

---

公众号:蓝海资料掘金营，微信deep3321