1. 齐次坐标与单应性矩阵基础
1.1 齐次坐标的本质与优势
在计算机视觉和图形学领域,齐次坐标(Homogeneous Coordinate)是一种用n+1维向量表示n维点的方法。对于二维平面上的点(x,y),其齐次坐标表示为(x,y,1)。这种表示法看似简单,却带来了三大革命性优势:
-
统一无穷远点表示:在欧式几何中无法表示的无穷远点,在齐次坐标系中可以用(x,y,0)完美表达。这在相机成像模型中尤为重要,因为平行线在图像中会相交于"消失点"(vanishing point)。
-
线性化变换运算:通过增加一个维度,原本非线性的透视变换可以用矩阵乘法表示。例如二维平面的仿射变换:
code复制[x'] [a b c] [x] [y'] = [d e f] [y] [1 ] [0 0 1] [1] -
尺度不变性:齐次坐标(x,y,z)等价于(kx,ky,kz)(k≠0),这种性质使得我们可以自由缩放变换矩阵而不影响几何意义。这也是单应矩阵只有8个自由度的根本原因。
提示:在实际编程中(如OpenCV),处理齐次坐标时要注意最后一位的归一化。例如将(x,y,w)转换为非齐次坐标时,需要执行(x/w, y/w)操作。
1.2 单应性矩阵的数学定义
单应性矩阵(Homography Matrix)H是一个3×3的可逆矩阵,描述了两个平面之间的投影映射关系。对于两个视图中的对应点p₁(x₁,y₁,1)和p₂(x₂,y₂,1),满足:
code复制p₁ = H * p₂
展开后的矩阵形式为:
code复制[x₁] [h11 h12 h13] [x₂]
[y₁] = [h21 h22 h23] [y₂]
[1 ] [h31 h32 h33] [1 ]
由于齐次坐标的尺度不变性,H矩阵可以除以h33(假设h33≠0)进行归一化,因此实际只有8个自由度。这意味着理论上至少需要4对匹配点(每对提供两个方程)才能求解H。
1.3 自由度分析:为什么是8不是9?
初学者常困惑于单应矩阵的自由度问题。我们可以从三个角度理解:
-
代数角度:H有9个元素,但可以整体缩放,所以实际独立参数是9-1=8个。
-
几何角度
