【计算机视觉】Lecture 16：平面单应变换

动机：在平面上的点

回顾：正向投影

世界坐标系到相机坐标系的变换

透视矩阵方程（相机坐标系到成像坐标系）

成像坐标系到像素坐标系

从成像坐标（x，y）到像素坐标（u，v）的二维仿射变换Maff

平面上点的投影

单应性矩阵H（平面投影变换）

单应性矩阵H（平面投影变换）
对于平面，3D到2D的透视投影降为2D到2D的变换。，并且此变换是可逆的

特殊情况：正平面

如果平面垂直于光轴（相机坐标系的Z轴），怎么办？

世界坐标系旋转矩阵简化为：

所以正平面的单应性简化为：

是一个相似变换

转换到像素坐标系

平面投影图

总结：平面投影

应用单应性变换去除透视畸变

针对平面建筑面，4组匹配点对足以

鸟瞰图的单应性变换

图像拼接的单应性变换

两个实际问题

1. 给定四个或更多匹配点对，如何估计对应的单应性矩阵（将会用最小二乘法推导）

2. 如何（反向）映射图像像素值以生成新图片（上一节课讲的）

估计单应性矩阵

矩阵形式：

方程形式：

自由度？

这里有有个变量 h11，…，h33，所以自由度是9？

并不是。
注意，我们可以将所有 hij 乘以非零常数 k，而不必改变方程组

采用8自由度

一种方法：设 h33 = 1

第二方法：增加单位向量约束

单位向量约束：

代数距离的最小二乘

设 h33 = 1 ：

乘以分母：

整理：

线性方程：

解：

Matlab：

注意：数值调节

R.Hartley: “In Defense of the Eight Point Algorithm”
八点法Eight Point Algorithm

观察：根据点对应关系对射影变换参数进行线性估计时，常常会遇到矩阵条件差（poor “conditioning” ）的问题。这意味着这样的解法对对应点的噪声敏感（即使没有外点）。

为了得到更好的答案，通过对每个点集进行规范化来对矩阵进行预处理，方法是：

1. 将点集质心平移为原点
2. 缩放，使点集与原点的平均距离为sqrt（2）。
3. 对每个点集独立进行标准化

Hartley的预处理

更一般的方法

设 h33 = 1 可能会产生什么问题？

如果 h33 实际上等于0，我们就不能得到正确的答案。

代数距离，||h||=1

||h||=1：

乘以分母：

整理：

齐次方程：

解：

设 h 为与矩阵 D 中最小特征值相关联的矩阵 U 的列（也就是单位特征向量）
（注：如果只有4个点，则该特征值为0）