相机成像模型：从世界到像素的“降维打击”
做结构光系统标定，第一个绕不开的坎儿就是相机成像模型。说白了，就是搞明白三维世界里的一个点，是怎么变成照片上那个像素的。这个过程，本质上是个“降维打击”——从三维到二维，信息丢了，但规律还在。
我个人习惯把相机成像拆成四步走：世界坐标系 → 相机坐标系 → 图像坐标系 → 像素坐标系。每一步都有对应的数学变换，也就是我们常说的外参、内参、畸变参数。今天咱们就把这四步掰开揉碎了讲清楚。
核心一句话：相机成像模型 = 刚体变换（外参）+ 透视投影（内参）+ 畸变补偿（非线性）
2.1 四个坐标系，一个都不能少
先说说这四个坐标系是干嘛的。你想想看，一个物体在真实世界里，它的位置是用“世界坐标系”描述的。但相机看到的世界，是以它自己为中心的，这就引出了“相机坐标系”。然后光线打到传感器上，形成的是“图像坐标系”（物理单位，比如毫米）。最后，我们读到的图片是像素组成的，所以还得转到“像素坐标系”（单位是像素）。
嗯，这里要注意：初学者最容易搞混的就是图像坐标系和像素坐标系。图像坐标系的原点在光轴与成像平面的交点，单位是毫米；像素坐标系的原点在图像左上角，单位是像素。两者之间差了一个平移和缩放。
我在项目中遇到过有人直接把像素坐标当物理坐标用，结果标定出来的参数全是错的，折腾了两天才发现是坐标系没对齐。所以，坐标系转换的每一步，都要心里有数。
2.2 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（光心）后，在后面的成像平面上形成倒立的像。虽然现在的镜头复杂得多，但数学上我们仍然用这个模型来近似。
从相机坐标系到图像坐标系，就是透视投影：
X_image = f * X_cam / Z_cam
Y_image = f * Y_cam / Z_cam其中 f 是焦距，单位是毫米。这里有个关键点：Z_cam 是深度信息，投影之后深度就丢了。所以单张图片无法恢复深度，这也是为什么结构光系统需要主动投射图案来“找回”深度。
我的小技巧：实际标定时，我习惯先把所有角点坐标转到归一化平面（Z=1），再乘内参矩阵。这样逻辑更清晰，调试也方便。
2.3 内参矩阵：相机的“身份证”
内参矩阵描述的是相机内部的几何特性。它把归一化平面上的点（x, y, 1）映射到像素坐标（u, v, 1）。标准形式是：
[ fx 0 cx ]
[ 0 fy cy ]
[ 0 0 1 ]其中 fx, fy 是焦距在像素单位下的值，cx, cy 是主点坐标（光轴与成像平面的交点）。
为什么 fx 和 fy 可能不一样？因为传感器像素可能不是正方形的。我在标定工业相机时遇到过这种情况，尤其是老旧型号的相机，fx 和 fy 能差好几个像素。如果不单独标定，重建出来的点云会有拉伸变形。
避坑指南：我曾经在标定一个广角镜头时，发现内参矩阵的主点 (cx, cy) 偏离图像中心很多。一开始以为是标定板没放正，后来才发现是镜头装配有偏差。所以，不要假设主点就在图像中心，一定要通过标定来确定。
2.4 外参矩阵：相机在哪儿，朝哪儿看
外参矩阵描述的是世界坐标系和相机坐标系之间的刚体变换。它由一个旋转矩阵 R（3x3）和一个平移向量 t（3x1）组成：
[ R t ]
[ 0 1 ]这个矩阵把世界坐标系下的点变换到相机坐标系下。旋转矩阵 R 是正交矩阵，有 3 个自由度（欧拉角或四元数），平移向量 t 有 3 个自由度，所以外参一共 6 个自由度。
实际标定时，外参会随着标定板的摆放位置变化。每次移动标定板，外参都不同，但内参是固定的。这也是张正友标定法的核心思想：利用多张不同位姿的图片，联合优化内参和外参。
2.5 畸变模型：镜头不是完美的
现实中的镜头不是完美的针孔，会有畸变。主要分两类：径向畸变和切向畸变。
径向畸变
径向畸变是光线通过镜头时，边缘弯曲造成的。分为桶形畸变（负畸变）和枕形畸变（正畸变）。数学模型用泰勒级数展开：
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^2 = x^2 + y^2，k1, k2, k3 是径向畸变系数。对于普通镜头，k1 和 k2 就够了；鱼眼镜头可能需要 k3。
我记得有一次标定一个廉价USB摄像头，k1 的值大得离谱，矫正后的图像边缘还是弯的。后来加了 k3 才搞定。所以，如果标定结果不理想，试试增加畸变阶数。
切向畸变
切向畸变是镜头和传感器不平行造成的，比如装配时镜头歪了。模型是：
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, 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。但如果你做高精度测量，比如结构光三维重建，切向畸变也不能忽略。
经验之谈：标定畸变时，标定板要覆盖整个视场，尤其是边缘。我见过有人只把标定板放在画面中央，结果畸变参数全标成0了。边缘的畸变信息才是关键。
2.6 完整成像流程：从世界到像素
把上面所有步骤串起来，一个世界坐标系下的点 P_w 到像素坐标 p 的完整流程是：
- 世界 → 相机：P_c = R * P_w + t
- 相机 → 归一化平面：p_n = (X_c/Z_c, Y_c/Z_c, 1)
- 畸变矫正：p_n_corrected = distort(p_n, k1, k2, k3, p1, p2)
- 归一化平面 → 像素：p = K * p_n_corrected
其中 K 是内参矩阵。这个流程在标定和重建中都会用到。标定时，我们已知像素坐标和世界坐标，反推内参和外参；重建时，我们已知内参和像素坐标，结合结构光提供的深度信息，反推世界坐标。
2.7 本章知识体系图
下面这张图总结了相机成像模型的核心逻辑，从世界坐标系到像素坐标系的完整链路，以及内参、外参、畸变参数各自的位置。
2.8 小结
相机成像模型是结构光系统标定的基石。四个坐标系、内参外参、畸变模型，这些概念必须烂熟于心。我个人建议，刚开始接触时，不要急着写代码，先手动画一遍从世界坐标到像素坐标的流程，把每一步的矩阵乘法写出来。这样，后面看标定算法的代码时，才能一眼看出它在干什么。
嗯，这一章的内容就到这里。记住，成像模型不是死记硬背的公式，而是你理解相机行为的“思维模型”。搞懂了它，标定和重建的后续内容，就都是水到渠成的事了。
公众号:蓝海资料掘金营，微信deep3321