双目立体视觉1——齐次坐标的理解

前言：前一段时间在看深度学习的视频，等我入了门，再来写深度学习的文章，哈哈哈哈

最近对双目立体视觉感兴趣，正好实验室有师兄在做三维重建，就开始学习了。

 

正文：

齐次坐标是多维空间的一个很重要的概念，如果理解不了，以后的学习会有很大困难。但很多地方讲解不够细致，我看到两篇文章后才恍然大悟。在这里记录以便今后学习。

 

1、首先，（1，4，7）代表一个点，还是一个向量？区分两者是引入齐次坐标的原因之一：

假设空间中，基为a,b,c    向量V可以找到坐标（V1,V2,V3），使V=V1a+V2b+V3c，

而对于点P，可以找到坐标（P1,P2,P3）使P - 0=P1a+P2b+P3c  （0为0向量，为了表示点P，对原点0进行了位移。）

所以P=P1a+P2b+P3c +0

点和向量分别可以表示为：（以（a,b,c,0）为坐标基矩阵）

 

          

所以，（x，y，z，0）表示向量，而（x，y，z，1)表示点，我们就可以区分（x,y,z）到底是点还是向量了。

2、为什么齐次坐标有利于 平移变换？

但是不可能找到这样一个矩阵： 它与点无关，只表示平移变换。无论是哪个点，都可以用这个矩阵来平移。（你要是解这个方程，两边同时左乘r逆，会发现这个m矩阵肯定与r有关，不可能是每个点都能用的平移变换）

但是当我们引入新的一维度：,就能找到一个矩阵m=,使得

这样就实现了平移，而且平移变换m只与矢量t有关，与哪个点无关。（第四维的1依然表示 它是个点）

 

3、如何变换 普通坐标和齐次坐标？

对于空间点P可以有一组齐次坐标,其中w不为零。例如（1，4，7，1）（0.1，0.4，0.7，0.1）

（2，8，14，2）等。

对于普通点p（p1,p2,p3），三个数同时乘w，加上一维w，就成了齐次坐标。

对于齐次坐标p（p1,p2,p3,m），四个数同时除以m，再减去最后一维，就成了普通坐标。

 

我是对两篇文章进行了整理总结的：

http://www.cnblogs.com/csyisong/archive/2008/12/09/1351372.html

https://www.zhihu.com/question/26655998