前言

在中心投影中，相机中心作为聚集光线的理想中心，其具有核心的作用，本文参考[1]中的讨论，加上一些见解，作为笔者学习过程中的笔记。

如有谬误，请联系指正。转载请注明出处。

$\nabla$∇ 联系方式：
e-mail: [email protected]
QQ: 973926198
github: https://github.com/FesianXu

---

为了将三维空间中的点投射到二维空间，这也正是摄像机做的事情，我们引入了投影矩阵$P_{3 \times 4}$P3×4​，在齐次坐标系下，我们有：
$\left(\begin{matrix}x \\y \\w\end{matrix}\right) = P_{3 \times 4} \left(\begin{matrix}X \\Y \\Z \\T\end{matrix}\right)\tag{1.1}$⎝⎛​xyw​⎠⎞​=P3×4​⎝⎜⎜⎛​XYZT​⎠⎟⎟⎞​(1.1)
如果考虑到三维空间中的像点在同一个平面上，比如最简单的，考虑平面$Z = 0$Z=0，我们便有：
$\left(\begin{matrix}x \\y \\w\end{matrix}\right) = H_{3 \times 3} \left(\begin{matrix}X \\Y \\T\end{matrix}\right)\tag{1.2}$⎝⎛​xyw​⎠⎞​=H3×3​⎝⎛​XYT​⎠⎞​(1.2)
我们把公式(1.2)称之为投影变换（projective transformation）。

如图Fig 1所示，所有的像点$X_i$Xi​都通过了焦点也就是相机中心。这种情况下，我们一般就用公式(1.1)进行描述，当像点都位于同一平面$\pi$π时，如Fig 2所示，我们用公式(1.2)进行描述，此时的$H_{3 \times 3}$H3×3​我们称之为单应性矩阵，其变换保留了共线性，见[2]的讨论。

更特殊的是，共用同一个焦点的图像，可以通过投影变换（也就是单应性变换）进行转换，见Fig 3所示，其转换公式如：
$\mathbf{x}_i^1 = H_{3 \times 3} \mathbf{x}_i^2\tag{1.3}$xi1​=H3×3​xi2​(1.3)
公式(1.3)实现了在$\pi_{2}$π2​上的点$\mathbf{x}_i^2$xi2​到面$\pi_{1}$π1​的点$\mathbf{x}_i^1$xi1​的转换。

不过如果焦点移动了，那么一般来说就不能用投影变换进行不同面之间的转换了，如Fig 4所示，除非像点都在同一面上，那么仍然可以用投影变换进行不同面的点的转换，如Fig 5所示，这个可以见[2]的讨论。

---

Reference

[1]. Hartley R, Zisserman A. Multiple view geometry in computer vision[M]. Cambridge university press, 2003. Page 8 Fig 1.1 The camera centre is the essence.

[2]. https://blog.csdn.net/LoseInVain/article/details/102739778