图像点与FreeCAD模型点的单应性变换及归一化/去归一化问题求教

核心问题分析 #

你的两组点尺度差异极大（图像坐标为千级，模型投影点为百级），直接计算单应性容易出现数值不稳定，归一化的核心是通过平移+缩放将点集映射到尺度一致的空间，提升计算精度。以下是两种可行的解决思路：

方法1：利用OpenCV内置的归一化（推荐） #

cv2.findHomography内部默认会对输入点执行相似变换归一化，无需手动处理，只需保证对应点顺序严格一致即可。

代码实现 #

import cv2
import numpy as np

# 转换为OpenCV要求的float32格式数组
points_image = np.array([[1,2392],[2459,2497],[2453,554],[183,437]], dtype=np.float32)
points_model = np.array([[-107,-100], [92,-100], [89,62], [-104,62]], dtype=np.float32)

# 计算模型→图像的单应性矩阵（使用RANSAC过滤异常点）
H_model_to_img, _ = cv2.findHomography(points_model, points_image, cv2.RANSAC)
# 计算图像→模型的反向单应性矩阵
H_img_to_model, _ = cv2.findHomography(points_image, points_model, cv2.RANSAC)

# 测试正向投影（模型点→图像点）
test_model_pt = np.array([[0, 0]], dtype=np.float32).reshape(-1,1,2)
proj_img_pt = cv2.perspectiveTransform(test_model_pt, H_model_to_img)
print(f"模型点(0,0)投影到图像的坐标：{proj_img_pt.squeeze()}")

# 测试反向投影（图像点→模型点）
test_img_pt = np.array([[1200, 1200]], dtype=np.float32).reshape(-1,1,2)
proj_model_pt = cv2.perspectiveTransform(test_img_pt, H_img_to_model)
print(f"图像点(1200,1200)投影到模型的坐标：{proj_model_pt.squeeze()}")

关键注意事项 #

• 必须保证points_image和points_model的点顺序严格一一对应（比如第1个图像点对应第1个模型点），否则单应性矩阵完全无效
• 使用cv2.RANSAC参数可以自动过滤可能的异常点，提升鲁棒性
• 用已知的对应点验证：比如输入第一个模型点，投影结果应与第一个图像点误差在几个像素内

方法2：手动实现归一化（自定义场景） #

如果需要手动控制归一化流程，需对两组点分别计算归一化变换矩阵，再将单应性矩阵与归一化矩阵结合得到最终变换矩阵。

归一化原理 #

通过**平移（将点集中心移至原点）+ 缩放（使点集平均距离为√2）**构建归一化矩阵，消除尺度差异。

代码实现 #

import cv2
import numpy as np

def get_normalization_matrix(points):
    """计算点集的归一化变换矩阵（齐次坐标）"""
    # 计算点集均值
    mean_x, mean_y = np.mean(points, axis=0)
    # 计算点到均值的平均距离
    distances = np.sqrt((points[:,0]-mean_x)**2 + (points[:,1]-mean_y)**2)
    mean_dist = np.mean(distances)
    # 缩放因子：将平均距离映射到√2
    scale = np.sqrt(2) / mean_dist
    # 构造归一化矩阵
    return np.array([
        [scale, 0, -scale * mean_x],
        [0, scale, -scale * mean_y],
        [0, 0, 1]
    ], dtype=np.float32)

# 原始点转换
points_image = np.array([[1,2392],[2459,2497],[2453,554],[183,437]], dtype=np.float32)
points_model = np.array([[-107,-100], [92,-100], [89,62], [-104,62]], dtype=np.float32)

# 计算归一化矩阵
T_model = get_normalization_matrix(points_model)
T_image = get_normalization_matrix(points_image)

# 将点转换为齐次坐标并归一化
points_model_hom = np.hstack([points_model, np.ones((4,1), dtype=np.float32)])
points_model_norm = (T_model @ points_model_hom.T).T[:, :2]

points_image_hom = np.hstack([points_image, np.ones((4,1), dtype=np.float32)])
points_image_norm = (T_image @ points_image_hom.T).T[:, :2]

# 计算归一化后的单应性矩阵
H_norm, _ = cv2.findHomography(points_model_norm, points_image_norm, cv2.RANSAC)

# 计算最终的模型→图像单应性矩阵
T_image_inv = np.linalg.inv(T_image)
H_model_to_img = T_image_inv @ H_norm @ T_model

# 计算最终的图像→模型单应性矩阵
H_norm_inv, _ = cv2.findHomography(points_image_norm, points_model_norm, cv2.RANSAC)
T_model_inv = np.linalg.inv(T_model)
H_img_to_model = T_model_inv @ H_norm_inv @ T_image

# 测试投影
test_model_pt_hom = np.array([[0, 0, 1]], dtype=np.float32).T
proj_img_hom = H_model_to_img @ test_model_pt_hom
proj_img_pt = proj_img_hom[:2,0] / proj_img_hom[2,0]  # 转换为非齐次坐标
print(f"手动归一化后，模型点(0,0)投影到图像的坐标：{proj_img_pt}")

常见错误规避 #

• 不要只归一化一组点：必须同时对模型点和图像点做归一化，否则尺度差异依然存在
• 不要直接使用归一化后的单应性矩阵H_norm投影原始点：需结合归一化矩阵的逆矩阵还原尺度
• 必须用齐次坐标处理投影：单应性是3x3矩阵，只能作用于齐次坐标，最后需除以第三维得到非齐次坐标

内容的提问来源于stack exchange，提问作者Tony-Gl.