【计算机视觉】ch1-Introduction

相机模型与成像

1. 世界坐标系 (World Coordinate System)

世界坐标系是指物体在真实世界中的位置和方向的表示方式。在计算机视觉和图像处理领域,世界坐标系通常是一个全局坐标系统,描述了摄像机拍摄到的物体在实际三维空间中的位置。它是所有其他坐标系的基础,是相机相对于真实世界的参照系。

2. 相机坐标系 (Camera Coordinate System)

相机坐标系是以相机自身为基准的坐标系统 。当物体从世界坐标系转换到相机坐标系时,其坐标值是基于相机的位置和方向进行表示的。相机坐标系的原点通常位于相机的光心,Z轴通常表示与相机视角方向一致的深度信息,X轴和Y轴表示相机视平面上的横向和纵向位置。

3. 图像平面坐标系 (Image Plane Coordinate System)

图像平面坐标系是物体在相机拍摄图像中的二维表示。相机将三维的世界投影到一个二维平面上,该平面称为图像平面。此坐标系的单位通常以像素为基础,描述物体在图像中的位置。它的原点一般位于图像平面的中心或左上角,X轴表示图像的水平方向,Y轴表示图像的垂直方向。

4. 数字图像坐标系 (Digital Image Coordinate System)

数字图像坐标系用于表示数字化后的图像数据中的坐标。此坐标系通常是以像素为单位,描述图像中的每个点的位置。原点通常在图像的左上角,X轴沿着图像的宽度方向,Y轴沿着图像的高度方向。该坐标系用于处理图像数据,例如图像处理、分析和计算机视觉算法中。

总结

透视投影中的四个坐标系逐级转换:首先,物体的位置由世界坐标系表示,然后转换到相机坐标系,再投影到图像平面坐标系,最后数字化为数字图像坐标系。这一过程是计算机视觉、摄影测量和图像分析等领域中理解和处理图像数据的关键步骤。

摄像机成像的线性模型

描述了世界坐标系、摄像机坐标系、图像物理坐标系和图像像素坐标系之间的转换关系。

1. 世界坐标系到摄像机坐标系

  • 首先,物体在三维空间中的位置由世界坐标系 [ X W , Y W , Z W , 1 ] T [X_W, Y_W, Z_W, 1]^T [XW,YW,ZW,1]T 表示。将其转换到摄像机坐标系的过程由旋转矩阵 R R R 和平移向量 t t t 表示,公式如下:

    X C Y C Z C 1 \] = \[ R t 0 3 T 1 \] \[ X W Y W Z W 1 \] \\begin{bmatrix} X_C \\\\ Y_C \\\\ Z_C \\\\ 1\\end{bmatrix}= \\begin{bmatrix} R \& t \\\\ 0_3\^T \& 1 \\end{bmatrix} \\begin{bmatrix} X_W \\\\ Y_W \\\\ Z_W \\\\ 1 \\end{bmatrix} XCYCZC1 =\[R03Tt1\] XWYWZW1

    • R R R: 这是一个 3 × 3 3 \times 3 3×3 的旋转矩阵,用于描述世界坐标系 和**摄像机坐标系之间的旋转关系。它表示了摄像机的方向,即 摄像机在世界坐标系中朝向的方向。**矩阵 R R R 的各个元素由摄像机的姿态(绕 X 、 Y 、 Z X、Y、Z X、Y、Z 轴的旋转)决定。
    • t t t:这是一个 3 × 1 3 \times 1 3×1 的平移向量,用于描述摄像机在世界坐标系中的位置 。它的三个分量分别表示摄像机在 X 、 Y X、Y X、Y 和 Z Z Z 方向上的平移。这个向量将世界坐标系中的物体坐标原点移动到摄像机坐标系中。
    • 0 3 T , 1 \] \[0_3\^T, 1\] \[03T,1\] :这一部分是为了将矩阵扩展到 4 × 4 4\\times 4 4×4 的齐次坐标形式,使得旋转和平移可以用一个矩阵表示。这里的 0 3 0_3 03 表示一个 3 × 1 3 \\times 1 3×1 的零向量, 1 1 1 用于保持齐次坐标的形式。

    • 输入: 物体在世界坐标系中的位置 [ X W , Y W , Z W , 1 ] T [X_W, Y_W, Z_W, 1]^T [XW,YW,ZW,1]T。
    • 输出: 物体在摄像机坐标系中的位置 [ X C , Y C , Z C , 1 ] T [X_C, Y_C, Z_C, 1]^T [XC,YC,ZC,1]T。
    • 过程: 首先对物体坐标进行旋转,调整物体相对于摄像机的方向;然后进行平移,将物体的位置调整到摄像机坐标系中。最终得到物体在摄像机坐标系中的位置。

    转换的实际意义

    • 这种转换是计算机视觉和图像处理领域的基本操作,用于将真实世界中的物体坐标转换到摄像机的坐标系中。这样,摄像机就可以根据其位置和方向来观测物体,计算物体在摄像机视野中的位置和大小,为后续的成像和计算提供基础。

    通过这个转换,摄像机可以在世界坐标系中找到自己与物体之间的相对位置,从而确定如何将三维物体投影到二维图像平面上。

  • 案例分析

    例子:摄像机观察桌子上的物体

    1. 场景描述

    • 设想我们有一台摄像机放置在房间内,房间的地面作为世界坐标系的基准。摄像机的镜头朝向桌子上的一个物体(例如,一个立方体)。为了方便计算,假设:
      • 世界坐标系的原点 ( 0 , 0 , 0 ) (0, 0, 0) (0,0,0) 位于房间地面的左下角。

      • 摄像机位于世界坐标系 中的位置为 ( 2 , 3 , 1 ) (2, 3, 1) (2,3,1),即它离世界坐标系的原点 2 2 2 米,离左墙 3 3 3 米,离地面 1 1 1 米高。这个位置可以用平移向量 t = [ 2 , 3 , 1 ] T t = [2, 3, 1]^T t=[2,3,1]T 表示。

      • 摄像机的姿态是水平的,即它没有旋转,镜头正对前方。为简化起见,我们假设摄像机坐标系与世界坐标系的轴方向一致,所以旋转矩阵 R R R 是单位矩阵,即:

        R = [ 1 0 0 0 1 0 0 0 1 ] R = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} R= 100010001

    2. 世界坐标系中的物体坐标

    • 现在,我们要找到桌子上的立方体在摄像机坐标系中的位置。假设立方体的中心点在世界坐标系中的位置是 ( 5 , 7 , 1.5 ) (5, 7, 1.5) (5,7,1.5)。

      立方体的位置可以用齐次坐标表示为:

      X W Y W Z W 1 \] = \[ 5 7 1.5 1 \] \\begin{bmatrix} X_W \\\\ Y_W \\\\ Z_W \\\\ 1 \\end{bmatrix} = \\begin{bmatrix} 5 \\\\ 7 \\\\ 1.5 \\\\ 1 \\end{bmatrix} XWYWZW1 = 571.51

    • 使用世界坐标系到摄像机坐标系的转换公式:

      X C Y C Z C 1 \] = \[ R t 0 3 T 1 \] \[ X W Y W Z W 1 \] \\begin{bmatrix} X_C \\\\ Y_C \\\\ Z_C \\\\ 1 \\end{bmatrix} = \\begin{bmatrix} R \& t \\\\ 0_3\^T \& 1 \\end{bmatrix} \\begin{bmatrix} X_W \\\\ Y_W \\\\ Z_W \\\\ 1 \\end{bmatrix} XCYCZC1 =\[R03Tt1\] XWYWZW1 由于 R R R 是单位矩阵,转换公式简化为: \[ X C Y C Z C 1 \] = \[ 1 0 0 2 0 1 0 3 0 0 1 1 0 0 0 1 \] \[ 5 7 1.5 1 \] \\begin{bmatrix} X_C \\\\ Y_C \\\\ Z_C \\\\ 1 \\end{bmatrix} = \\begin{bmatrix} 1 \& 0 \& 0 \& 2 \\\\ 0 \& 1 \& 0 \& 3 \\\\ 0 \& 0 \& 1 \& 1 \\\\ 0 \& 0 \& 0 \& 1 \\end{bmatrix} \\begin{bmatrix} 5 \\\\ 7 \\\\ 1.5 \\\\ 1 \\end{bmatrix} XCYCZC1 = 1000010000102311 571.51

    • 进行矩阵乘法计算:

      X C Y C Z C 1 \] = \[ 1 × 5 + 0 × 7 + 0 × 1.5 + 2 0 × 5 + 1 × 7 + 0 × 1.5 + 3 0 × 5 + 0 × 7 + 1 × 1.5 + 1 1 \] = \[ 7 10 2.5 1 \] \\begin{bmatrix} X_C \\\\ Y_C \\\\ Z_C \\\\ 1 \\end{bmatrix} = \\begin{bmatrix} 1 \\times 5 + 0 \\times 7 + 0 \\times 1.5 + 2 \\\\ 0 \\times 5 + 1 \\times 7 + 0 \\times 1.5 + 3 \\\\ 0 \\times 5 + 0 \\times 7 + 1 \\times 1.5 + 1 \\\\ 1 \\end{bmatrix} = \\begin{bmatrix} 7 \\\\ 10 \\\\ 2.5 \\\\ 1 \\end{bmatrix} XCYCZC1 = 1×5+0×7+0×1.5+20×5+1×7+0×1.5+30×5+0×7+1×1.5+11 = 7102.51

    • 计算结果为 ( 7 , 10 , 2.5 ) (7, 10, 2.5) (7,10,2.5),表示立方体在摄像机坐标系中的位置:

      • X C = 7 X_C = 7 XC=7:物体在摄像机坐标系中离摄像机的横向距离。
      • Y C = 10 Y_C = 10 YC=10:物体在摄像机坐标系中离摄像机的纵向距离。
      • Z C = 2.5 Z_C = 2.5 ZC=2.5:物体在摄像机坐标系中离摄像机的前后距离,表示深度信息。

    通过这个简单的例子,我们看到,通过将世界坐标系中的物体坐标与摄像机的旋转和平移矩阵结合,可以计算物体在摄像机坐标系中的位置。

2. 摄像机坐标系到图像物理坐标系

  • 在摄像机坐标系中,物体被投影到图像平面上,得到图像物理坐标系中的坐标 [ x , y , 1 ] T [x, y, 1]^T [x,y,1]T:

    x y 1 \] = 1 Z C \[ f 0 0 0 0 f 0 0 0 0 1 0 \] \[ X C Y C Z C 1 \] \\begin{bmatrix} x \\\\ y \\\\ 1\\end{bmatrix}= \\frac{1}{Z_C} \\begin{bmatrix} f \& 0 \& 0 \& 0 \\\\ 0 \& f \& 0 \& 0 \\\\ 0 \& 0 \& 1 \& 0 \\end{bmatrix} \\begin{bmatrix} X_C \\\\ Y_C \\\\ Z_C \\\\ 1 \\end{bmatrix} xy1 =ZC1 f000f0001000 XCYCZC1 * **详细解释** **1. 摄像机坐标系到图像物理坐标系的转换** * 在摄像机坐标系中,物体的位置表示为 \[ X C , Y C , Z C \] T \[X_C, Y_C, Z_C\]\^T \[XC,YC,ZC\]T,这个坐标系的原点位于摄像机的光心, Z Z Z 轴朝向摄像机的前方。 * 当物体被摄像机捕获时,摄像机将三维坐标投影到二维图像平面上,得到图像物理坐标系中的坐标 \[ x , y , 1 \] T \[x, y, 1\]\^T \[x,y,1\]T。 **2. 公式中的各个部分解释** * f f f :这是**摄像机的焦距**。焦距表示摄像机的镜头与图像平面之间的距离。它决定了摄像机视野的范围(广角或长焦),在这里起到将三维空间坐标缩放到图像平面上的作用。 * Z C Z_C ZC : 这是物体在摄像机坐标系中的**深度信息** ,表示物体距离摄像机的距离。它在公式中**用于归一化** ,确保物体在图像平面上的投影坐标是线性的。因为物体离摄像机越远,它在图像中看起来就越小,所以需要用 1 Z C \\frac{1}{Z_C} ZC1 对物体的坐标进行缩放。 * **矩阵 \[ f 0 0 0 f 0 0 0 1 \] \\begin{bmatrix} f \& 0 \& 0 \\\\ 0 \& f \& 0 \\\\ 0 \& 0 \& 1 \\end{bmatrix} f000f0001 :** 这个矩阵是摄像机的**内参矩阵** 的一部分,用来将三维的摄像机坐标转换到图像平面上的二维坐标。它的作用是**通过焦距 f f f 对物体的坐标进行缩放,得到物体在图像平面上的物理坐标。** **3. 公式的运作过程** * 首先,将物体在摄像机坐标系中的位置 \[ X C , Y C , Z C \] \[X_C, Y_C, Z_C\] \[XC,YC,ZC\] 乘以内参矩阵 \[ f 0 0 0 f 0 0 0 1 \] \\begin{bmatrix} f \& 0 \& 0 \\\\ 0 \& f \& 0 \\\\ 0 \& 0 \& 1 \\end{bmatrix} f000f0001 ,将三维坐标中的 X X X 和 Y Y Y 分量按比例缩放,这个缩放比例由焦距 f f f 决定。 * 然后,利用深度信息 Z C Z_C ZC 对坐标进行归一化,得到物体在图像平面上的坐标 \[ x , y \] \[x, y\] \[x,y\]: x = f ⋅ X C Z C , y = f ⋅ Y C Z C x = \\frac{f \\cdot X_C}{Z_C}, \\quad y = \\frac{f \\cdot Y_C}{Z_C} x=ZCf⋅XC,y=ZCf⋅YC * 最终得到的 \[ x , y \] \[x, y\] \[x,y\] 是图像物理坐标系中的坐标,表示物体在摄像机投影平面上的二维位置。 **4. 转换的实际意义** * 这个过程是**透视投影**的关键步骤,将物体在三维空间中的位置转换为图像平面上的二维坐标。通过这种转换,摄像机能够将真实世界中的三维物体"拍摄"到二维图像中。 * 其中,焦距 f f f 和深度信息 Z C Z_C ZC 是影响图像中物体大小和位置的关键因素。**焦距决定了摄像机的视野范围** ,而**深度信息 Z C Z_C ZC 决定了物体的远近及其在图像中的大小。** * **案例分析** 假设摄像机的焦距 f = 800 f = 800 f=800 像素,物体在**摄像机坐标系** 中的位置为 X C = 2 , Y C = 3 , Z C = 4 X_C = 2, Y_C = 3, Z_C = 4 XC=2,YC=3,ZC=4 。将这些值代入公式: x = f ⋅ X C Z C = 800 ⋅ 2 4 = 400 x = \\frac{f \\cdot X_C}{Z_C} = \\frac{800 \\cdot 2}{4} = 400 x=ZCf⋅XC=4800⋅2=400 y = f ⋅ Y C Z C = 800 ⋅ 3 4 = 600 y = \\frac{f \\cdot Y_C}{Z_C} = \\frac{800 \\cdot 3}{4} = 600 y=ZCf⋅YC=4800⋅3=600 那么,物体在图像平面中的物理坐标为 ( 400 , 600 ) (400, 600) (400,600) 。 通过这个步骤,三维空间中的物体位置被成功投影到了二维图像平面上,确定了其在图像中的位置。

  • 这张图展示了从图像物理坐标系到图像像素坐标系的转换过程。这个步骤将图像物理坐标(通常以毫米或米为单位)转换为图像像素坐标(以像素为单位),从而更贴近我们实际处理的数字图像格式。

    u v 1 \] = \[ 1 d x 0 u 0 0 1 d y v 0 0 0 1 \] \[ x y 1 \] \\begin{bmatrix} u \\\\ v \\\\ 1\\end{bmatrix}= \\begin{bmatrix} \\frac{1}{d_x} \& 0 \& u_0 \\\\ 0 \& \\frac{1}{d_y} \& v_0 \\\\ 0 \& 0 \& 1 \\end{bmatrix} \\begin{bmatrix} x \\\\ y \\\\ 1 \\end{bmatrix} uv1 = dx1000dy10u0v01 xy1 * d x d_x dx 和 d y d_y dy 是图像传感器的像素尺寸, u 0 u_0 u0 和 v 0 v_0 v0 是图像坐标系的原点位置(通常是图像中心)。 * **详细解释** **1. 公式各部分解释** * u , v u, v u,v :这是图像像素坐标系中的坐标, u u u 和 v v v 分别表示图像的水平方向和垂直方向上的像素位置。这个坐标通常以像素为单位,代表了图像传感器上某点的具体像素坐标。 * x , y x, y x,y :这是图像物理坐标系中的坐标, x 和 y 表示图像平面上的物理位置,通常以毫米或米为单位。物理坐标表示图像传感器上光学投影的实际位置。 * d x , d y d_x, d_y dx,dy :这是图像传感器的像素尺寸,分别表示传感器在水平方向和垂直方向上的每个像素的物理尺寸。通常以毫米或微米为单位。因为传感器是离散化的,它的每个像素都代表了一定的物理区域。 * u 0 , v 0 u_0, v_0 u0,v0 :这是图像坐标系的原点位置,通常位于图像的中心。具体来说, u_0 和 v_0 分别是图像在水平方向和垂直方向上的中心像素坐标。这些值决定了图像的坐标原点,并用于调整图像中心的偏移。 **2. 转换过程解释** * 首先,物体在图像物理坐标系中的位置 \[ x , y , 1 \] T \[x, y, 1\]\^T \[x,y,1\]T 是通过之前的透视投影步骤得出的,它表示物体在图像传感器上的位置,以物理单位(例如毫米)表示。 * 然后,为了将其转换为图像像素坐标系中的位置 \[ u , v , 1 \] T \[u, v, 1\]\^T \[u,v,1\]T ,需要将物理单位转换为像素单位。这是通过将物理坐标除以每个像素的大小 d x d_x dx 和 d y d_y dy 实现的。 具体的转换公式为: u = x d x + u 0 u = \\frac{x}{d_x} + u_0 u=dxx+u0 v = y d y + v 0 v = \\frac{y}{d_y} + v_0 v=dyy+v0 * 其中, x d x \\frac{x}{d_x} dxx 将物理坐标 x x x 转换为像素数, u 0 u_0 u0 是图像的水平中心偏移量。同理, y d y \\frac{y}{d_y} dyy 将垂直方向的物理坐标 y y y 转换为像素数, v 0 v_0 v0 是图像的垂直中心偏移量。 * **案例分析** 假设我们有一个图像传感器,传感器的像素大小为 d x = d y = 0.005 m m d_x = d_y = 0.005 mm dx=dy=0.005mm,每个像素的宽度和高度都是 0.005 m m 0.005 mm 0.005mm。假设物体的图像物理坐标为 x = 0.1 m m , y = 0.15 m m x = 0.1 mm, y = 0.15 mm x=0.1mm,y=0.15mm,图像的中心点坐标为 u 0 = 500 , v 0 = 400 u_0 = 500 , v_0 = 400 u0=500,v0=400 ,我们可以计算该点的像素坐标: u = x d x + u 0 = 0.1 0.005 + 500 = 20 + 500 = 520 u = \\frac{x}{d_x} + u_0 = \\frac{0.1}{0.005} + 500 = 20 + 500 = 520 u=dxx+u0=0.0050.1+500=20+500=520 v = y d y + v 0 = 0.15 0.005 + 400 = 30 + 400 = 430 v = \\frac{y}{d_y} + v_0 = \\frac{0.15}{0.005} + 400 = 30 + 400 = 430 v=dyy+v0=0.0050.15+400=30+400=430 因此,物体在图像像素坐标系中的位置是 ( 520 , 430 ) (520, 430) (520,430) 像素。 * **图像平面中的物理坐标和像素坐标有什么区别** 图像平面中的**物理坐标** 和**像素坐标** 之间的区别主要在于它们的**表示单位** 和**在成像系统中的作用**。下面详细解释它们的不同之处: #### 1. 图像物理坐标 * **单位:** 图像物理坐标以物理单位(通常为毫米、微米等)表示,描述的是**图像传感器**(如相机的感光芯片)平面上的实际位置。 * **坐标系统:** 图像物理坐标系的**原点通常位于图像传感器的中心点**。物理坐标表示的是物体投影在图像传感器上的位置。传感器的尺寸和像素的物理大小决定了这个坐标系的范围。 * **作用:** 图像物理坐标**反映了真实世界中光学成像系统的物理性质**,包括镜头焦距、感光芯片尺寸等。它用于描述物体在传感器平面上的精确物理位置,通常在透视投影模型中起重要作用,因为它是光学成像过程中的中间步骤。 * **示例:** 假设摄像机传感器的尺寸是 10   mm × 8   mm 10 \\, \\text{mm} \\times 8 \\, \\text{mm} 10mm×8mm,物体的投影在传感器上的位置可能是 ( 2.5   mm , 4   mm ) (2.5 \\, \\text{mm}, 4 \\, \\text{mm}) (2.5mm,4mm)。 #### 2. 图像像素坐标 * **单位:** 图像像素坐标**以像素为单位**,描述的是数字图像中的离散点。像素坐标是最常用的坐标系统,因为大多数图像处理和计算机视觉算法都是基于数字图像的像素进行操作。 * **坐标系统:** 图像像素坐标系的**原点通常位于图像的左上角** ,水平向右为 u u u 轴,垂直向下为 v v v 轴。坐标值为正整数,范围由图像的分辨率决定。例如,在一幅 1920 × 1080 1920 \\times 1080 1920×1080 像素的图像中,坐标范围为 0 ≤ u \< 1920 0 \\leq u \< 1920 0≤u\<1920 和 0 ≤ v \< 1080 0 \\leq v \< 1080 0≤v\<1080。 * **作用:** 像素坐标用于数字图像处理,它们是图像中各个点的位置标识。所有的图像分析、特征提取、目标识别等操作都基于像素坐标进行。通过将物理坐标转换为像素坐标,我们可以在数字图像中找到物体的位置。 * **示例:** 在一幅 1920 × 1080 1920 \\times 1080 1920×1080 像素的图像中,物体可能位于坐标 ( 640 , 360 ) (640, 360) (640,360) 这个像素点。 #### 3. 两者的转换关系 * **物理坐标到像素坐标的转换:** 由于图像传感器上的每个像素有其固定的物理尺寸(例如,单个像素的宽度和高度),可以使用像素的尺寸来进行单位转换。转换公式通常是: u = x d x + u 0 , v = y d y + v 0 u = \\frac{x}{d_x} + u_0, \\quad v = \\frac{y}{d_y} + v_0 u=dxx+u0,v=dyy+v0 其中: * x , y x, y x,y 是图像物理坐标,以毫米为单位。 * d x , d y d_x, d_y dx,dy 是图像传感器的**像素尺寸**,表示每个像素在水平方向和垂直方向上的物理大小(以毫米或微米为单位)。 * u 0 , v 0 u_0, v_0 u0,v0 是图像中心在像素坐标系中的位置。 #### 4. 实际意义 * **图像物理坐标:** 更贴近物理成像过程,用于分析光学特性、镜头畸变、焦距等问题,是光学建模和透视投影计算的中间过程。 * **像素坐标:** 用于数字图像处理和计算机视觉的后续操作,是实际应用中最常用的坐标系统。由于数字图像是由像素组成,像素坐标对于特征检测、物体识别、图像增强等处理至关重要。 #### 总结 * **图像物理坐标**反映了图像在传感器上的实际物理位置,与相机的光学特性直接相关。 * **图像像素坐标**是数字图像处理中的常用坐标系统,用于在图像中定位特征点和执行各种图像操作。两者通过图像传感器的像素尺寸和坐标原点位置进行相互转换。

  • 通过上述转换,可以得到世界坐标系到图像像素坐标系的完整线性模型:

    u v 1 \] = 1 Z C \[ 1 d x 0 u 0 0 1 d y v 0 0 0 1 \] \[ f 0 0 0 0 f 0 0 0 0 1 0 \] \[ R t 0 3 T 1 \] \[ X W Y W Z W 1 \] \\begin{bmatrix} u \\\\ v \\\\ 1 \\end{bmatrix}= \\frac{1}{Z_C} \\begin{bmatrix} \\frac{1}{d_x} \& 0 \& u_0 \\\\ 0 \& \\frac{1}{d_y} \& 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} R \& t \\\\ 0_3\^T \& 1 \\end{bmatrix} \\begin{bmatrix} X_W \\\\ Y_W \\\\ Z_W \\\\ 1 \\end{bmatrix} uv1 =ZC1 dx1000dy10u0v01 f000f0001000 \[R03Tt1\] XWYWZW1

总结

图中描述了物体从世界坐标系到图像像素坐标系的逐步转换过程,涉及旋转、平移、投影和尺度转换等步骤。这些转换在计算机视觉和图像处理中至关重要,有助于从二维图像中恢复三维世界的信息。

2D图像的基本光度模型

模型公式:

f ( x , y ) = i ( x , y ) ∗ r ( x , y ) f(x, y) = i(x, y) * r(x, y) f(x,y)=i(x,y)∗r(x,y)

公式表示了图像中每个点的亮度 是由光照物体表面反射共同决定的。

  • f ( x , y ) : f(x, y): f(x,y): 图像亮度值,即在图像中某个点 ( x , y ) (x, y) (x,y) 的像素值。可以理解为我们看到的图像亮度。
  • i ( x , y ) : i(x, y): i(x,y): 光照(照度)函数。它表示在图像的每个点 ( x , y ) (x, y) (x,y) 处的光源强度,也就是场景中光线的分布。简单来说,它表示光线的多少,比如说房间的某个区域光照很强,而其他地方光照较弱。
  • r ( x , y ) : r(x, y): r(x,y): 反射函数,表示物体表面的反射系数或反射率。这个值取决于物体表面的材质属性,比如反光金属表面和磨砂表面反射率不同。它描述的是物体表面如何反射光线,也就是物体本身的颜色和纹理。

公式约束条件:

  • 图像亮度值( f ( x , y ) f(x, y) f(x,y))和光照值( i ( x , y ) i(x, y) i(x,y))都应该大于 0 0 0,但不可以无限大。这是因为在实际图像中,亮度和光照不可能是负值,也不可能无限高。
相关推荐
用户87612829073741 分钟前
前端ai对话框架semi-design-vue
前端·人工智能
量子位2 分钟前
稚晖君刚挖来的 90 后机器人大牛:逆袭履历堪比爽文男主
人工智能·llm
量子位7 分钟前
200 亿机器人独角兽被曝爆雷,官方回应来了
人工智能·llm
机器之心11 分钟前
细节厘米级还原、实时渲染,MTGS方法突破自动驾驶场景重建瓶颈
人工智能
arbboter26 分钟前
【AI插件开发】Notepad++ AI插件开发实践:从Dock窗口集成到功能菜单实现
人工智能·notepad++·动态菜单·notepad++插件开发·dock窗口集成·ai代码辅助工具·ai对话窗口
jndingxin35 分钟前
OpenCV 图形API(或称G-API)(1)
人工智能·opencv·计算机视觉
神马行空2 小时前
一文解读DeepSeek大模型在政府工作中具体的场景应用
人工智能·大模型·数字化转型·deepseek·政务应用
合合技术团队2 小时前
实测对比|法国 AI 独角兽公司发布的“最强 OCR”,实测效果如何?
大数据·人工智能·图像识别
蒹葭苍苍8732 小时前
LoRA、QLoRA微调与Lama Factory
人工智能·笔记
蹦蹦跳跳真可爱5892 小时前
Python----机器学习(基于PyTorch的线性回归)
人工智能·pytorch·python·机器学习·线性回归