2. 三维坐标系与变换：世界坐标系、相机坐标系、图像坐标系、像素坐标系
说实话，刚入行做三维视觉那会儿，我被这四个坐标系绕得晕头转向。明明都是坐标，怎么还分这么多种？后来踩了不少坑才明白——坐标系之间的变换，是整个三维感知的基石。你想想看，相机看到的是一张二维图片，但我们要从中还原出三维空间的信息，这中间缺的就是一套严谨的坐标变换体系。
2.1 四个坐标系，一个都不能少
我们先来捋一捋这四个坐标系各自扮演什么角色。我个人习惯把它们分成两组：三维组和二维组。
2.1.1 世界坐标系（World Coordinate System）
这是整个场景的"绝对参考系"。你可以把它想象成现实世界中的经纬度坐标系。不管相机怎么动、物体怎么摆，世界坐标系是固定不变的。我在做AR项目时，通常把房间的某个墙角设为世界坐标系原点，这样所有虚拟物体的位置就有了统一的基准。
2.1.2 相机坐标系（Camera Coordinate System）
这个坐标系的原点在相机的光心，Z轴指向相机的前方（也就是拍摄方向）。说白了，相机坐标系就是"以相机为中心"看世界。你拿着手机自拍时，手机摄像头的位置就是原点，镜头朝向就是Z轴方向。
2.1.3 图像坐标系（Image Coordinate System）
当三维空间中的点投影到相机成像平面上，就进入了图像坐标系。它的原点通常在成像平面的中心，单位是毫米等物理长度单位。嗯，这里要注意：图像坐标系是二维的，只有x和y两个轴。
2.1.4 像素坐标系（Pixel Coordinate System）
这是我们最终看到的数字图像所使用的坐标系。原点在图像的左上角，u轴向右，v轴向下，单位是像素。为什么原点在左上角？这其实是历史遗留问题——早期显示器的扫描方式决定的。
2.2 刚体变换：旋转与平移
从世界坐标系到相机坐标系，这个变换叫做刚体变换。为什么叫"刚体"？因为变换过程中物体的形状和大小都不变，只是位置和朝向变了。说白了，就是旋转 + 平移。
2.2.1 旋转矩阵
旋转可以用一个3×3的正交矩阵R来表示。我记得刚学的时候，总觉得旋转矩阵很抽象。后来我换了个角度理解：旋转矩阵的每一列，其实就是原坐标系的基向量在新坐标系中的表示。
举个简单的例子，绕Z轴旋转θ角：
R_z(θ) = [
[cosθ, -sinθ, 0],
[sinθ, cosθ, 0],
[0, 0, 1]
]绕X轴和Y轴的旋转矩阵类似，只是把1和三角函数放在对应的位置上。
2.2.2 平移向量
平移就简单多了，就是一个3×1的向量t = [tx, ty, tz]^T。它表示相机坐标系原点在世界坐标系中的位置。
2.2.3 齐次坐标与变换矩阵
为了把旋转和平移统一成一个矩阵运算，我们引入了齐次坐标。把三维点P = [X, Y, Z]^T扩展成P' = [X, Y, Z, 1]^T，这样变换就可以写成：
P_cam = [R | t] * P_world
展开成矩阵形式：
| X_cam | | r11 r12 r13 tx | | X_world |
| Y_cam | = | r21 r22 r23 ty | * | Y_world |
| Z_cam | | r31 r32 r33 tz | | Z_world |
| 1 | | 0 0 0 1 | | 1 |这个4×4的矩阵，就是传说中的外参矩阵。它描述了相机在世界坐标系中的位置和朝向。
2.3 从相机坐标系到像素坐标系
这一步涉及两个子步骤：相机→图像（透视投影），图像→像素（离散化）。
2.3.1 透视投影
假设相机坐标系中有一个点P = [X, Y, Z]^T，它在成像平面上的投影点坐标为：
x = f * X / Z
y = f * Y / Z其中f是焦距。这里有个关键点：Z不能为0，否则就除以零了。我在做SLAM系统时，经常要处理深度值为0的异常点，一般直接丢弃。
2.3.2 像素坐标转换
图像坐标到像素坐标，其实就是个缩放加平移：
u = x / dx + u0
v = y / dy + v0dx和dy是每个像素的物理尺寸，u0和v0是图像坐标系原点在像素坐标系中的位置（通常是图像中心）。
把上面两步合并，就得到了内参矩阵K：
K = [
[fx, 0, u0],
[ 0, fy, v0],
[ 0, 0, 1]
]
其中 fx = f/dx, fy = f/dy2.4 完整的变换链路
现在我们把所有环节串起来。一个世界坐标系中的点P_w，最终变成像素坐标p_uv，经历了：
- 刚体变换：P_cam = R * P_w + t（外参矩阵）
- 透视投影：x = fx * X_cam / Z_cam, y = fy * Y_cam / Z_cam
- 像素映射：u = x + u0, v = y + v0
用矩阵形式一步到位就是：
p_uv = K * [R | t] * P_w这个公式，可以说是三维视觉里最重要的公式之一。你想想看，它把三维世界和二维图像联系在了一起。所有的三维重建、视觉SLAM、AR/VR，底层都在反复使用这个公式。
2.5 知识体系总览
下面这张图，是我自己总结的坐标系变换全流程。每次做项目前，我都会在脑子里过一遍这个流程，确保没有遗漏。
2.6 实战中的注意事项
| 常见问题 | 原因 | 我的建议 |
|---|---|---|
| 像素坐标出现负值 | 点在相机后方（Z_cam < 0） | 先判断Z_cam的正负，负值直接剔除 |
| 图像变形严重 | 未做畸变校正 | 用棋盘格标定，获取畸变系数 |
| 三维重建精度差 | 内参标定不准确 | 至少拍20张不同角度的标定板照片 |
| 旋转矩阵不正交 | 数值计算误差累积 | 定期做正交化处理，或用四元数 |
好了，这一章的内容就到这里。坐标系变换是三维视觉的"九九乘法表"，看似简单，但每个细节都值得反复推敲。下一章我们会深入相机标定的具体实现，到时候会用到今天讲的所有知识。
公众号:蓝海资料掘金营，微信deep3321