从像素坐标系到世界坐标系的变换python实现 像素坐标与世界坐标

像素坐标系、图像坐标系、相机坐标系、世界坐标系

文章目录

• 像素坐标系、图像坐标系、相机坐标系、世界坐标系

• 1、图像坐标系 → \rightarrow →像素坐标系
• 2、图像坐标系 → \rightarrow →相机坐标系
• 3、相机坐标系 → \rightarrow →世界坐标系
• 总结
• References

上周发现对这四个坐标系之间的转换没有一个清晰的概念，这个下午写第一篇博客重新学习记录一下。

图片来源：《视觉SLAM十四讲》第二版P91

---

1、图像坐标系$\rightarrow$像素坐标系

像素坐标系通常的定义方式是：原点$o~$位于图像的左上角，$u$轴向右与$x$轴平行，$v$轴向下与$y$轴平行。

图像坐标系在这里指的是成像平面坐标系，在《视觉SLAM十四讲》中像素坐标系和图像坐标系是一样的（第一版 P72）。

像素坐标系与图像坐标系之间相差了一个缩放和平移，由此图像坐标系$P~$的坐标$[X~$与像素坐标$[u,v]$的关系为：
$\begin{cases} u=\alpha X$

---

2、图像坐标系$\rightarrow$相机坐标系

由于三角形相似关系有（去掉负号）：
${Z \over f} = {X \over {X$
所以式(1)变为：
$\begin{cases} u=f_x {X \over Z}+c_x \\ v=f_y {Y \over Z}+c_y \end{cases}$
转换为矩阵形式为：
$\left(\begin{array}{l} u \\ v \\ 1 \end{array}\right)={1 \over Z} \left(\begin{array}{ccc} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{array}\right)\left(\begin{array}{l} X \\ Y \\ Z \end{array}\right) \triangleq \boldsymbol{{1 \over Z}KP}$

$Z\left(\begin{array}{l} u \\ v \\ 1 \end{array}\right)=\left(\begin{array}{ccc} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{array}\right)\left(\begin{array}{l} X \\ Y \\ Z \end{array}\right) \triangleq \boldsymbol{KP}$

其中，$K$为内参数矩阵（Camera Intrinsics）。

---

3、相机坐标系$\rightarrow$世界坐标系

在齐次坐标下，相机坐标和世界坐标的关系为
$p_c=T_{cw}p_w=T_{wc}^{-1}p_w$
在非齐次坐标下，相机坐标和世界坐标的关系为
$P_c=RP_w+t$
其中，相机的位姿$R，t$称为相机的外参数矩阵（Camera Extrinsics）。

所以式(4)转化为
$Z{P_{uv}} = Z\left[ {\begin{matrix} u \cr v \cr 1 \cr \end{matrix} } \right] \triangleq \boldsymbol{KP} = \boldsymbol{K(R{P_w} + t) = KT{P_w}}$
注意最后一个式子隐含了一次其次坐标到非齐次坐标的转换。

---

总结

最后简单归纳关系图如下：

单目相机的成像过程（P90）：

---