齐次坐标系在机器视觉中的应用

齐次坐标系在机器视觉中的应用

目录

• 1. 齐次坐标的定义
• 2. 齐次坐标表示点和向量
• 3. 齐次坐标在图像处理中的意义

1. 齐次坐标的定义：

  用 $n+1$ 维分量来表示 $n$ 维坐标。在齐次坐标中，用 $(hx,hy,hz,h)$ 来表示 $(x,y,z)$ ,比如说空间中的一点A $(3,6,5)$在齐次坐标中表示为 $(3h,6h,5h,h)$，比如 $(6,12,10,2)、(9,18,15,3)和(1.5,3,2.5,0.5)$ 都表示空间中的点A，一般有：

笛卡尔坐标 $\to$ 齐次坐标：         齐次坐标 $\to$ 笛卡尔坐标：

$$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]\Rightarrow h\left[\begin{array}{c}x\\ y\\ z\\ 1\end{array}\right]\left[\begin{array}{c}hx\\ hy\\ hz\\ h\end{array}\right]\Rightarrow \left[\begin{array}{c}hx/h\\ hy/h\\ hz/h\\ h/h\end{array}\right]\Rightarrow \left[\begin{array}{c}hx\\ hy\\ hz\\ 1\end{array}\right]$$

由上述变量 $h$ 可知，齐次坐标具有缩放不变性，即笛卡尔坐标系中的某一点，在齐次坐标系中具有 $n$ 种表示方法。

2. 齐次坐标表示点和向量

  在二维坐标系$xoy$中，向量(1,2)可以表示向量 $\overrightarrow{OA}$,也可以表示向量 $\overrightarrow{BC}$, 只有方向和大小，而没有固定的起始位置；当默认以坐标原点为起点时，(1,2)也可以表示为一点。区分为点还是向量，需要通过相关使用环境，仅仅通过坐标形式无法从字面区分它是坐标还是向量。为了能够克服上述问题，引入了齐次坐标。

  在坐标系$xoy$中，$x$方向基向量$m$为$(1,0{)}^T$,$y$方向的基向量$n$为$(0,1{)}^T$。向量$\overrightarrow{OA}$表示为$\overrightarrow{OA}=a_{x}m+a_{y}n$，点$A=a_{x}m+a_{y}n+O$，因此，有如下形式：

$$\overrightarrow{OA}=\left[\begin{array}{c}{a}_x\\ a_y\end{array}\right]\left[\begin{array}{c}mn\end{array}\right]A=\left[\begin{array}{c}{a}_x\\ a_y\\ 1\end{array}\right]\left[\begin{array}{c}mnO\end{array}\right]$$
  从上述公式可以看出，点$A$可以看作是从原点沿$x$和$y$平移而形成的新点。而这个平移量为${\left[\begin{array}{c}{a}_x{a}_y\end{array}\right]}^T$。为了写成统一的形式，有：
$$\overrightarrow{OA}=\left[\begin{array}{c}{a}_x\\ a_y\\ 0\end{array}\right]\left[\begin{array}{c}mnO\end{array}\right]A=\left[\begin{array}{c}{a}_x\\ a_y\\ 1\end{array}\right]\left[\begin{array}{c}mnO\end{array}\right]$$
  因此，在齐次坐标中，向量表示为${\left[\begin{array}{c}{a}_x{a}_{y}0\end{array}\right]}^T$,点表示为${\left[\begin{array}{c}{a}_x{a}_{y}1\end{array}\right]}^T$。

3. 采用齐次坐标的意义

  由于在图像处理时，经常会对图像进行缩放、旋转和平移。采用矩阵的形式计算这行操作，平移=矩阵相加，旋转=矩阵相乘，缩放=矩阵相乘，将这些矩阵用数学的形式表达：$p^{\prime }=R^{\prime }p+T$(式中，$p$ 表示原矩阵，$R^{\prime }$ 表示旋转缩放矩阵，$T$ 表示平移矩阵)。 这些操作是在点的基础上进行变换，所有变换后的点组成的集合即变换后的图像。

$$p^{\prime }=R^{\prime }p+T\Rightarrow \left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\\ z^{\prime }\end{array}\right]=\left[\begin{array}{c}{r}_{11}{r}_{12}{r}_{13}\\ r_{21}{r}_{22}{r}_{23}\\ r_{31}{r}_{32}{r}_{33}\end{array}\right]\times \left[\begin{array}{c}x\\ y\\ z\end{array}\right]+\left[\begin{array}{c}{t}_x\\ t_y\\ t_z\end{array}\right]$$
为了将矩阵$R$和$T$的运算合二为一，引入齐次矩阵（从笛卡尔坐标系转换到齐次坐标系中），有：
$$p^{\prime }=R^{\prime }p+T\Rightarrow h\left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\\ z^{\prime }\\ 1\end{array}\right]=\left[\begin{array}{c}{r}_{11}{r}_{12}{r}_{13}{t}_x\\ r_{21}{r}_{22}{r}_{23}{t}_x\\ r_{31}{r}_{32}{r}_{33}{t}_x\\ 0001\end{array}\right]\times h\left[\begin{array}{c}x\\ y\\ z\\ 1\end{array}\right]$$

  由于是齐次坐标系，所以存在系数$h$，$h$的变化不会影响该点在笛卡尔坐标系中的值，因为在我们在计算坐标时，需要从齐次坐标系转换到笛卡尔坐标系，需要除以$h$，当$n+1$维的值为1时，可以去掉$h$，此时齐次坐标中$x,y,z$与笛卡尔坐标中的$x,y,z$值相同。

  因此，我们有：
$$p^{\prime }=R^{\prime }p+T\Rightarrow p^{\prime }=\left[\begin{array}{c}RT\\ 01\end{array}\right]p=Mp$$
从笛卡尔坐标系转换到齐次坐标系，大大的方便了矩阵的计算。

---

1.齐次坐标除了上述用法外，还能很好的解释在投影空间中两平行直线相交的问题。