Homography单应矩阵

在计算机视觉的背景下，2d affine是2D homography的子集。

从几何意义上讲，

2D homography是用来计算一堆在同一个三维平面上的点在不同的二维图像中的投影位置的，是一个一对一的映射。

2D affine是2D homography的一个特例，它对应着的情况是这个三维平面在无穷远。

从代数特性上讲，2D homography是一个rank=3或者说可逆的矩阵，一般可以表示为：
H11 H12 H13
H21 H22 H23
H31 H32 1
Affine是它的简化形式，不但可逆而且第三行没有未知数：
A11 A12 A13
A21 A22 A23
0   0   1

计算homography(线性解)需要4对不共线的点，计算affine只需要3对不共线的点。

一般要用RANSAC这个方法来得到精确、鲁棒的结果。affine一般比homography更稳定一些，

所以可以先计算affine，然后再用affine作为homography的初始值，进行非线性优化(比如Levenberg Marquardt)。

几何视觉方向最经典的教科书还是Multiple View Geometry in Computer Vision，讲得很详细、很透彻。实在是求学教课居家旅行必备啊。


当然affine在数学中有更广泛、更准确的定义了，可以看看wiki上的说法（在教科书里也说到了）:http://en.wikipedia.org/wiki/Affine_transformation
楼上各位解释的没错啊，homography是共线不变, affine是不但保证共线，而且保证距离的比不变。


你说的object的变换不太对。 homography可以用来计算一幅图像中的不同平面的变换，
也可以是不同图像中的同一个平面的变换。affine是它的特殊情况。

单应性矩阵是在摄像头标定中提出来的，是从物体的世界坐标到理想像素点之间的投影矩阵（仅仅差一个系数）。

维基百科中有对单应性（homography）矩阵的详细解释
在计算机视觉领域中，空间中同一平面的任意两幅图像通过单应性关联在一起（假定是针孔相机）。这有着很多实际应用，比如图像校正、图像对齐或两幅图像之间的相机运动计算（旋转和平移）等。一旦旋转和平移从所估计的单应性矩阵中提取出来，那么该信息将可被用来导航或是把3D物体模型插入到图像或视频中，使其可根据正确的透视来渲染，并且成为原始场景的一部分（请见增强现实）。
如果两幅图像之间的相机运动只有旋转而没有平移，那么这两幅图像通过单应性关联在一起（假定是针孔相机）

在两视几何中，可以这样理解，两架相机拍同一空间上得到两幅图像AB，其中一幅A在另一幅B存在一种变换而且是一一对应的关系，他们之间可以用矩阵表示 这个矩阵用单应矩阵

空间x-y坐标平面与图像平面之间的单应矩阵可以提供关于摄像机内参数的2个线性约束.比如：

给定一个一般空间平面与图像平面之间的单应矩阵,如果空间平面在世界坐标系的坐标已知,则该单应矩阵同样可以提供关于摄像机内参数的2个线性约束;

如果空间平面在世界坐标系的坐标未知,则该单应矩阵不能构成对摄像机内参数的任何约束.另外,仅仅知道某一个场景中的2幅图像间的单应矩阵不能对摄像机内参数构成任何约束.该结果对从事摄像机标定和三维重建的研究人员有一定的参考作用.