基于相机内参矩阵与目标深度计算像素空间分辨率（mm）

问题描述 #

已知描述像素单位焦距与x、y偏移量的相机内参矩阵K，以及图像中某像素的深度（单位：mm），能否计算出图像中每个像素的空间分辨率（单位：mm）？想了解单个方形像素在真实空间中对应的尺寸，例如在25mm深度下，1个方形像素可能对应10mm×10mm的真实区域。

结论 #

完全可以计算，你的思路方向正确，但可以通过直接推导简化计算过程，无需求内参矩阵的逆。

推导过程 #

核心投影公式修正 #

先修正针孔相机投影的标准齐次坐标公式：
[u, v, 1] = (1/z) * K * [x, y, z]
其中标准3x3内参矩阵为：
K = np.asarray([[f_x, 0, c_x], [0, f_y, c_y], [0, 0, 1]])

• f_x/f_y：x/y方向的焦距（单位：像素）
• c_x/c_y：主点坐标（图像中心偏移，单位：像素）
• (x,y,z)：真实空间点坐标（单位：mm，z为深度）
• (u,v)：图像像素坐标

从公式反推空间坐标与像素的关系：

x = z * (u - c_x) / f_x
y = z * (v - c_y) / f_y

计算像素空间分辨率 #

直接计算相邻像素的空间差值：

• 水平方向：当u增加1、v不变时，空间x的变化量为：
  Δx = z * [(u+1 - c_x)/f_x - (u - c_x)/f_x] = z / f_x
• 垂直方向：当v增加1、u不变时，空间y的变化量为：
  Δy = z * [(v+1 - c_y)/f_y - (v - c_y)/f_y] = z / f_y

单个像素对应的真实空间尺寸为 Δx × Δy：

• 若为方形像素（相机传感器像素为方形，此时f_x = f_y），则尺寸为 (z/f_x) × (z/f_x) 平方毫米。

与你的思路对比 #

你通过内参逆矩阵计算相邻像素空间差的思路是正确的，本质和上述推导结果一致，但直接推导无需计算矩阵逆，效率更高。

代码实现示例 #

import numpy as np

# 示例相机内参（焦距为像素单位）
f_x = 1000.0
f_y = 1000.0
c_x = 500.0
c_y = 500.0
K = np.array([[f_x, 0, c_x], [0, f_y, c_y], [0, 0, 1]])

# 目标像素的深度（单位：mm）
z = 25.0

# 计算空间分辨率
delta_x = z / f_x
delta_y = z / f_y

print(f"水平分辨率：{delta_x} mm/像素")
print(f"垂直分辨率：{delta_y} mm/像素")
print(f"单个方形像素对应真实区域：{delta_x * delta_y} 平方毫米")

输出示例 #

水平分辨率：0.025 mm/像素
垂直分辨率：0.025 mm/像素
单个方形像素对应真实区域：0.000625 平方毫米

注意事项 #

• 若f_x != f_y，说明像素非严格方形，需分别计算水平、垂直方向的分辨率
• 深度z必须是对应像素的真实深度（若为深度图，每个像素的z不同，分辨率会随深度变化）
• 内参K的焦距必须是像素单位，若为物理焦距（mm），需先转换：f_x = (物理焦距 × 图像宽度) / 传感器宽度，f_y同理

内容的提问来源于stack exchange，提问作者BeginnersMindTruly