照相机的成像变换

1 变换过程

照相机的成像变换过程可以分为3步:世界坐标系——>相机坐标系——>图像坐标系——>像素坐标系

 

2 世界坐标系——>相机坐标系

景物从世界坐标系转换到相机坐标系需要使用到刚体变换(物体不发生变形,对一个几何物体做旋转或平移)

刚体变换如下图所示:

变换的数学表达式为:

简化:

其中,\mathbf{X_c, Y_c, Z_c}代表相机坐标系,\mathbf{X, Y, Z}代表世界坐标系,

矩阵\mathbf{R}代表旋转变换,向量\mathbf{t}代表平移。\mathbf{R, t}称为相机的外参数,与相机无关。

 

旋转变换由3种变换组成:绕 x 轴旋转,绕 y 轴旋转和绕 z 轴旋转,用公式表示为:

\mathbf{R}=\mathbf{r_1*r_2*r_3}

其中\mathbf{r_1, r_2, r_3}分别表示绕 x 轴旋转,绕 y 轴旋转和绕 z 轴旋转的旋转矩阵。

 

3 相机坐标系——>图像坐标

此变换通过小孔成像实现,其原理如下图所示:

简化其投影过程,

已知位于相机坐标系的一个点P=(x, y, z), 投影到图像的点P'=(x', y'),由相似三角形:

可得:

用矩阵表示:

z\begin{bmatrix} x'\\ y' \\ \end{bmatrix}=\begin{bmatrix} f & 0& 0&0 \\ 0& f& 0& 0\\ 0& 0& 1& 0 \end{bmatrix}\begin{bmatrix} x\\ y \\ z \\ 1 \end{bmatrix}

 

4 图像坐标系——>像素坐标系

下方图像标注了两种坐标系:

O_1-xy表示图像坐标系,其坐标是连续的;

O_0-uv代表像素坐标系,其坐标只能是大于零的整数,中心像素点的坐标为(u_0, v_0)

每一个像素点的长宽为:dx, dy, 即为感光芯片上像素的实际大小。

从图像坐标系到像素坐标系的变换公式为:

用矩阵表示:

 

5 相机坐标系——>像素坐标系

综合3和4两部分,隐去图像坐标系,直接求取从相机坐标系到像素坐标系的变换矩阵

z\begin{bmatrix} u\\ v \\ 1 \end{bmatrix}=\begin{bmatrix} \frac{1}{dx} & 0 & u_0 \\ 0& \frac{1}{dy} & v_0 \\ 0& 0 & 1 \end{bmatrix}\begin{bmatrix} f & 0& 0 &0 \\ 0& f& 0& 0\\ 0& 0& 1& 0 \end{bmatrix}\begin{bmatrix} x\\y \\ z \\ 1 \end{bmatrix}

为了去掉z,转换为其次矩阵

\begin{bmatrix} u\\ v \\ z \end{bmatrix}=\begin{bmatrix} \frac{1}{dx} & 0 & u_0 \\ 0& \frac{1}{dy} & v_0 \\ 0& 0 & 1 \end{bmatrix}\begin{bmatrix} f & 0& 0 &0 \\ 0& f& 0& 0\\ 0& 0& 1& 0 \end{bmatrix}\begin{bmatrix} x\\y \\ z \\ 1 \end{bmatrix}\\

简化:

P'=\begin{bmatrix} u\\ v \\ z \end{bmatrix}=\begin{bmatrix}\alpha & 0 & u_0&0 \\ 0& \beta & v_0&0 \\ 0& 0 & 1&0 \end{bmatrix}\begin{bmatrix} x\\y \\ z \\ 1 \end{bmatrix}\\=MP=\begin{bmatrix}\alpha & 0 & u_0 \\ 0& \beta & v_0\\ 0& 0 & 1 \end{bmatrix}\begin{bmatrix} \mathbf{I} & \mathbf{0} \end{bmatrix}P=\mathbf{K}\begin{bmatrix} \mathbf{I} & \mathbf{0} \end{bmatrix}P

其中

\alpha =\frac{f}{dx}

\beta =\frac{f}{dy}

K 为相机的矫正矩阵(calibration matrix)

如果算入图像的倾斜度K为:

这里的cx,cy即为u0, v0

 

6 世界坐标系——>像素坐标系

由2和5部分的分析,可得:

简化:

M 为一个3*4的矩阵,11个未知参数,其中

5个未知参数来自内参矩阵(intrinsic matrix)

3个来自外参旋转

3个来自外参平移

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/492171.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

我国芯片各细分领域龙头名单

来源:机械前沿芯片的分类:日常生活中,我们可以发现芯片的种类比如有通信芯片、人工智能芯片、LED芯片、电脑芯片等等。芯片的产业链是这样的:根据产业链划分,芯片从设计到出厂的核心环节主要包括 6 个部分:…

求解相机参数Camera Calibration

1 主要思想 使用黑白棋盘格,记录世界坐标系中关键点的坐标,然后使用手机拍照,记录相应点像素点的坐标。 这样就得到了许多3D-2D的配对点 2 详细过程 由 上一篇博客 内容可知, 其中 P‘ 为像素坐标, Pw为世界坐标系的…

超壮观!10只波士顿动力机器狗,拖动大卡车,步伐整齐划一如同仪仗队

来源:量子位整整10只SpotMini机器狗,可以做什么?波士顿动力的答案是:拉卡车。对,不是狗拉雪橇,是狗拉体积大得多、质量重得多的大卡车。画面中,出现了并排走的一对机器狗。后面还有另一对机器狗…

立体视觉(Stereo Vision)-本征矩阵(essential matrix)和基本矩阵(fundamental matrix)

1 物体深度 问题描述:从不同的位置拍摄相同物体的两张图片,恢复其深度 这里假设摄像机的镜头平行 由相似三角形: 由上面第一、二等式可得: 深度与视差成反比 2 如何配对左右图片的点 问题描述:已知两张图像&#xff…

重磅:苹果高通和解!英特尔退出5G基带市场,高通股价暴涨超20%,华为依然淡定...

来源:新浪、量子位等,物联网智库整理摘要:没有永恒的朋友,只有永恒的利益。前一阵子还是“牛夫人”,今天就变成“小甜甜”了。没有永恒的朋友,只有永恒的利益。前一阵子还是“牛夫人”,今天就变…

计算图像的景深

在 上一篇 博客中,景深与视差成反比,其公式为: 为焦距, 为左右相机的距离,分别为两张图像的点距离各自中心点的距离。 对于左图像的每一个像素点 ,求图像景深可以分为以下几步, 在右图中&…

地球是否健康,最新“诊断报告”来了

中国南极中山站附近的冰盖、冰川与冰山。新华社发来源:光明日报4月13日,河北安平,游客在畅游油菜花海。新华社发对地球气候变化的科学诊断,要依赖一些数据指标:全球平均温度、海平面高度、南极冰川厚度等。4月初&#…

Structure from motion 问题

1 问题描述 已知一个图像库,里面有很多从不同角度不同具体拍摄同一物体的照片,求 构建该物体的3D模型找出这些图像的拍照位置 如下图所示: 2 用数学语言描述问题 输入:一批图像,隐含着许多对应点 输出:…

Nature新研究:猪脑死亡4小时后,科学家成功恢复脑细胞功能

来源:DeepTech深科技4 月 18 日 Nature 发表了耶鲁大学研究人员的一篇最新成果,科学家们成功在猪脑死亡 4 小时后恢复其脑循环和部分细胞功能。这一发现挑战了长期以来关于死后某些脑功能停止的时间和不可逆转性质的假设。哺乳动物大脑对于供氧水平下降极…

集成方法Ensemble Method(bagging, AdaBoost)

1 主要思想 将原始数据分成几个组训练一组分类器,里面有很多种弱分类器每个分类器的标签看作一次投票,投票最多的标签为最终标签 其架构如下所示: 2 为什么集成方法可行 假设这里有25个训练的弱分类器,且这些分类器独立工作&…

深度解析“中国制造2025”VS德国“工业4.0”,一场没有硝烟战争

来源:世界科技创新论坛摘要:“中国制造2025”与德国“工业4.0”都是在新一轮科技革命和产业变革背景下针对制造业发展提出的一个重要战略举措。比较两个战略可以看出各有特点,除了技术基础和产业基础不同之外,他们还存在战略思想等…

Imbalanced class problem(ROC, Confusion Matrix)

1 何为 Imbalanced class problem 在分类问题中,有时候一种类别的数据会远远的多于另外一种类别, 但正是这些少量的类别的数据,往往又是极其重要的。 比如信用卡欺诈事件,该事件远远地小于信用卡未被欺诈的事件。 要从信用卡操…

浅谈 EHT 黑洞照片拍摄原理

来源:东晓科学网博客前几天,EHT (Event Horizon Telescope)(事件水平线望远镜)研究团队发布重大新闻,公布了人类首次拍到的黑洞“照片“”,同时公布了7篇由200多名科学家署名的相关论文。所谓黑…

积分图像(Integral image)

1 问题起源 给定一幅灰度图像,其灰度值如下图所示, 要计算图中深色区域的所有像素点的灰度值之和。 最直接,简单的方法就是将这9个像素值直接相加。 如果深色区域扩大,里面包含成千上万个像素,这种算法的时间复杂度…

vue3(七)-基础入门之事件总线与动态组件

一、事件总线 事件总线使用场景&#xff1a; 两个兄弟组件之间的传参&#xff0c;或者两个没有关联的组件之间的传参 html &#xff1a;引入 publicmsg 与 acceptmsg 自定义组件 (自定义组件名称必须小写) <body><div id"app"><publicmsg></…

机器学习竞争其实是一场数据上的竞争

来源&#xff1a;网络大数据摘要&#xff1a;人工智能的三大发展要素已经是老生常谈了。算法、算力和数据对机器学习的重要性和声望不亚于“谦哥”的喝酒、烫头和抽烟。那些热衷竞争实施机器学习的公司现在惊讶地发现&#xff0c;其实&#xff0c;实施一些算法使机器变得对某一…

实验五 — — Java网络编程及安全

java的第五个实验——Java网络编程及安全 北京电子科技学院 实 验 报 告 课程&#xff1a;Java程序设计  班级&#xff1a;1352  姓名&#xff1a;林涵锦  学号&#xff1a;20135213 成绩&#xff1a; 指导教师&#xff1a;娄嘉鹏    实验日期&…

Viola-Jones人脸检测详解

在人脸检测中&#xff0c;Viola-Jones算法是一种非常经典的算法&#xff0c;该算法在2001年的CVPR上提出&#xff0c;因其高效快速的检测而被广泛使用。 这个算法用来检测正面的人脸图像&#xff0c;对于侧脸图像的检测不是很稳健。 算法可以被分为以下几个部分&#xff1a; …

中国的高铁世界第一,为何汽车却和德国、日本差距很大?

来源&#xff1a;中国经济大讲堂摘要&#xff1a;靠引进技术发展&#xff0c;可以换来制造技术&#xff0c;建成一定规模、一定水平的体系。但我们在抓住机遇、引进技术发展的同时&#xff0c;或者发展的后期&#xff0c;等我们有了市场&#xff0c;有了钱之后&#xff0c;应该…

硬核干货|揭示波士顿动力机器人背后的专利技术(上)

来源&#xff1a;超凡知识产权&#xff0c;机器人大讲堂整理发布摘要&#xff1a;如果说在腿足机器人领域里&#xff0c;有一个让人闻之色变的变态企业&#xff0c;那就非波士顿动力莫属了。深耕几十年的技术积累加上“不谙世事”的科研态度&#xff0c;使得BD一直保持在腿足机…