【转载】推导相机变换矩阵

最新推荐文章于 2023-02-05 06:27:27 发布
最新推荐文章于 2023-02-05 06:27:27 发布
阅读量832 收藏
点赞数
分类专栏： OPENGL 文章标签： 图形流水线
IndeReChill
关注
专栏目录
坐标系变换矩阵推导
qq_21603315的博客
11-30 2385
坐标系变换矩阵推导
getPerspectiveTransform通过4对点确认透视变换矩阵的原理分析
老猿Python
02-25 5847
本文分析了OpenCV-Python中getPerspectiveTransform通过4对点确认透视变换矩阵的原理，有助于大家理解透视变换相关知识。
推导相机变换矩阵
aa20274270的博客
03-26 1097
参考 推导相机变换矩阵 ： http://blog.csdn.net/popy007/article/details/5120158 在上面的文章中，了解到坐标转换公式。 具体的公式： P = MA * PA = MB * PB  (其中 MA 是一个矩阵，代表一个坐标系，MB也是一个矩阵，代表一个坐标系，那么PA,PB就是各自坐标系的点) 开始推导： 1.
相机变换矩阵
CHENFEIYANG2009的专栏
01-20 7195
一些网友写信给我希望能够了解固定流水线中世界空间到相机空间变换矩阵的具体推导过程。其实之前我在《向量几何在游戏编程中的使用6》中已经简单的把相机变换作为一个使用基理论的例子进行了说明，但可能仍然不够具体。这篇文章中，我会尽力阐述相机变换的整个来龙去脉。希望能够对正在学习固定流水线的朋友们有所帮助。这里我们仍然会在推导相机变换之前介绍几个理论知识，目的是为了更好的理解推导过程。我们马上开始！ 什么
推导相机变换矩阵(转载添加自己注释)
domzhaosh
12-17 1939
推导相机变换矩阵 转载于:http://blog.csdn.net/popy007/article/details/5120158   一些网友写信给我希望能够了解固定流水线中世界空间到相机空间变换矩阵的具体推导过程。其实之前我在《向量几何在游戏编程中的使用6》中已经简单的把相机变换作为一个使用基理论的例子进行了说明，但可能仍然不够具体。这篇文章中，我会尽力阐述相机变
模型视图变换矩阵的推导
AKGWSB 's blog
10-24 2117
图形学上课的时候，????坐在第一排划拉瑟图 ，老师突然布置了个作业：推导mv变换的矩阵。常言道上山容易下山难之用轮一时爽，造轮火葬场 ，这可把????急坏了，周末就嗯搁这埋头一顿推。推了挺久的 今天记录一下过程。 mv矩阵的目的是将世界坐标系下的坐标转到相机坐标系下，即通过世界坐标表示相机坐标。其实就是一些平移和旋转变换，然后将坐标系转换即可。所以我们要求得两个变换的矩阵： 旋转变换矩阵 平移变换矩阵 然后把两个矩阵相乘，得到最终的变换矩阵 M，这个 M 矩阵左乘世界坐标系下的齐次坐标，能够帮助我们将
图形学：用十五分钟带您推导模型，视图和投影变换矩阵
AKGWSB 's blog
01-07 1643
目录前言模型矩阵缩放旋转平移视图矩阵相机坐标系基底标架旋转标架平移投影矩阵正交投影透视投影 前言 明天考图形学了，推一下矩阵，顺便练下 Latex 数学公式警告⚠ 模型矩阵 模型矩阵负责将物体进行三个变换：平移，选择和缩放。 此外，我们认为原坐标为 x，变换后则得到 x’ 坐标（接下来的变换都用该形式表示），即： x→x′ x \rightarrow x' x→x′ 话不多说，开冲！ 缩放 缩放矩阵非常简单，各个坐标直接乘以对应的缩放因子即可： S(sx,sy,sz)=[sx0000sy0000sz0
UVN相机模型矩阵推导
白码王子小张的博客
04-21 426
参考一下这篇文章吧，写的挺不错的 原文链接： http://blog.csdn.net/popy007/archive/2010/01/02/5120158.aspx#1792539
【转载+补充】“最简单的” 相机透视投影矩阵推导与解析
ShaderJoy 的兴趣技术杂货铺
02-05 1459
作者：大其心宏其量扩其识链接：https://www.jianshu.com/p/09fef48e7b0f来源：简书著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。原文写得很好，但是主题格式我不太喜欢，所以我对文章的格式和重点的部分进行了，方便自己日后阅读。
深入解读相机矩阵
onlywjh2的博客
07-26 132
添加链接描述
关于相机矩阵
Road__Liu的专栏
03-20 413
http://ksimek.github.io/2012/08/22/extrinsic/ Dissecting the Camera Matrix
观察矩阵推导
异次元的归来
01-31 1527
观察矩阵推导 顾名思义，观察矩阵的作用就是将一个点从世界坐标系转换到观察坐标系，这个点的实际位置并不发生变化。参考上一篇文章，问题就转化成了，假设任意点p⃗\vec pp​，它在世界坐标系WWW下的坐标为(x,y,z)(x, y, z)(x,y,z)，求在观察坐标系VVV下的坐标(x′,y′,z′)(x', y', z')(x′,y′,z′)。套用公式，可得： p⃗=x′i⃗V+y′j⃗V+z′k...
相机矩阵
mrdonghe的博客
05-14 4741
1.相机小孔模型 针孔模型是相机成像的基础模型，是理解后续相机矩阵内容的基础。下图描述了基本的小孔成像过程： 图中，X坐标系是针孔所在坐标系，Y坐标系为成像平面坐标系，P为空间一点，小孔成像使得P点在图像平面上呈现了一个倒立的像。 这幅图是前一幅图的俯视图，由三角相似关系可以得到： 写成矩阵的形式： 多了一个讨厌的负号（小孔成像上下颠倒，左右也颠倒），为了方便，大家把成像平面移到了和物体（P点）相同的一边，这样相似关系中就没有负号。 上图中Y1’为移动后的成像平面，这与移动前
[线性代数] 矩阵代数進階：矩阵分解 Matrix factorization
weixin_30724853的博客
12-07 197
Matrix factorization 导语：承载上集的矩阵代数入门，今天来聊聊进阶版，矩阵分解。其他集数可在[线性代数]标籤文章找到。有空再弄目录什麽的。 Matrix factorization is quite like an application of invertible matrices, where L is an invertible matrix in LU...
osg模型操作之矩阵变换(直接对矩阵操作，从而达到效果)
weixin_30555125的博客
09-10 483
矩阵变换节点： 　　由osg::MatrixTransform : osg::Transform : osg::Group : osg::Node : osg::Object : osg::Referenced的继承。 　　主要作用是负责场景的矩阵变换、矩阵的运算及坐标系的变换。实现对场景的模型进行旋转、平移等操作。 常用主要成员函数： 　　void setMatrix(const Mat...
3D透视投影矩阵推导，内含推导细节
luixiao1220的博客
07-18 1188
透视投影变换矩阵推导过程
最新发布
05-28
透视投影变换矩阵的推导过程如下： 假设有一个三维点 $(X,Y,Z)$，它在相机坐标系中的坐标为 $(X_c,Y_c,Z_c)$。相机坐标系的原点为相机位置，$Z_c$ 轴指向相机朝向的反方向，$X_c$ 和 $Y_c$ 轴分别与相机的右方向和下方向对齐。 为了把相机坐标系中的点映射到图像平面上，我们需要进行透视投影变换。首先，我们将相机坐标系中的点转换为齐次坐标 $(X_c,Y_c,Z_c,1)$。然后，我们将它乘以一个投影矩阵 $P$，得到一个新的齐次坐标 $(u,v,w,1)$： $$ \begin{bmatrix} u \\ v \\ w \\ 1 \\ \end{bmatrix} = P \cdot \begin{bmatrix} X_c \\ Y_c \\ Z_c \\ 1 \\ \end{bmatrix} $$ 其中，$u$ 和 $v$ 分别表示图像平面上的坐标，$w$ 用来进行透视除法，保证 $u$ 和 $v$ 的值在图像平面上。 投影矩阵 $P$ 可以分解为相机内参矩阵 $K$ 和相机外参矩阵 $[R|t]$ 的乘积： $$ P = K [R|t] $$ 其中，$K$ 是一个 $3 \times 3$ 的矩阵，包含了相机的内部参数，如焦距、主点等。$[R|t]$ 是一个 $3 \times 4$ 的矩阵，包含了相机的外部参数，如相机的旋转和平移。 为了推导 $P$ 的具体形式，我们可以先考虑一个简单的情况：相机坐标系的原点与图像平面重合，且相机的朝向与图像平面平行。这种情况下，投影矩阵可以表示为： $$ P = \begin{bmatrix} f & 0 & 0 & 0 \\ 0 & f & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix} $$ 其中，$f$ 是焦距，表示相机到图像平面的距离。 当相机坐标系的原点和图像平面不重合时，我们可以使用相机外参矩阵 $[R|t]$ 来把相机坐标系的原点变换到图像平面上。具体来说，我们可以将相机坐标系的原点变换为 $(X_c',Y_c',Z_c')$，其中 $(X_c',Y_c',0)$ 是图像平面上的点。这个变换可以表示为： $$ \begin{bmatrix} X_c' \\ Y_c' \\ Z_c' \\ 1 \\ \end{bmatrix} = [R|t] \cdot \begin{bmatrix} 0 \\ 0 \\ 0 \\ 1 \\ \end{bmatrix} $$ 然后，我们可以把 $(X,Y,Z)$ 变换为 $(X',Y',Z')$，其中 $(X',Y')$ 是图像平面上的坐标。这个变换可以表示为： $$ \begin{bmatrix} X' \\ Y' \\ Z' \\ 1 \\ \end{bmatrix} = [R|t] \cdot \begin{bmatrix} X \\ Y \\ Z \\ 1 \\ \end{bmatrix} $$ 最后，我们可以将 $(X',Y',Z')$ 投影到图像平面上，得到一个新的齐次坐标 $(u,v,w,1)$。这个投影可以表示为： $$ \begin{bmatrix} u \\ v \\ w \\ 1 \\ \end{bmatrix} = K \cdot \begin{bmatrix} X'/Z' \\ Y'/Z' \\ 1 \\ \end{bmatrix} $$ 将以上三个变换组合起来，我们可以得到透视投影变换矩阵的形式： $$ P = K [R|t] = \begin{bmatrix} f_x & 0 & c_x & 0 \\ 0 & f_y & c_y & 0 \\ 0 & 0 & 1 & 0 \\ \end{bmatrix} \begin{bmatrix} r_{11} & r_{12} & r_{13} & t_1 \\ r_{21} & r_{22} & r_{23} & t_2 \\ r_{31} & r_{32} & r_{33} & t_3 \\ \end{bmatrix} $$ 其中，$f_x$ 和 $f_y$ 是 $K$ 矩阵的对角线元素，分别表示 $x$ 和 $y$ 方向上的焦距；$c_x$ 和 $c_y$ 是 $K$ 矩阵的中心点，表示图像平面上的主点；$r_{ij}$ 和 $t_i$ 是 $[R|t]$ 矩阵的元素，表示相机的旋转和平移。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值