如何在Python中实际使用cv2.estimateAffine3D实现三维点配准？

之前我一直在找一种能对齐两组对应三维点的方法——就是通过旋转、缩放、平移这几个变换，让两组点尽可能重合。发现OpenCV里有个cv2.estimateAffine3D()函数，正好是干这个的，但不管是翻官方文档还是相关问题，居然都找不到一个能直接跑通的实际示例，文档写得也特别晦涩。所以干脆自己捣鼓出了可行的代码示例，自问自答分享出来，省得大家再踩坑！

核心需求说明 #

我们要解决的问题是：给定两组一一对应的三维点集，计算出一个相似变换矩阵（包含旋转、缩放、平移），将其中一组点变换后与另一组点精准对齐。

可运行代码示例 #

下面是完整的Python代码，每一步都加了详细注释，你可以直接替换成自己的点数据来用：

import cv2
import numpy as np

# 1. 准备模拟的三维点集（实际使用时替换成你的真实点数据）
# 源点集：生成10个随机三维点，格式必须是float32，形状为(n, 3)
src_points = np.random.rand(10, 3).astype(np.float32)

# 2. 手动构造一个已知的相似变换，生成目标点集（用来验证后续计算的准确性）
# 定义缩放因子、旋转矩阵、平移向量
scale_factor = 1.5
# 用Rodrigues公式把欧拉角转成3x3旋转矩阵
rotation_matrix = cv2.Rodrigues(np.array([np.pi/4, np.pi/6, 0], dtype=np.float32))[0]
translation_vec = np.array([2.0, 1.0, -0.5], dtype=np.float32)

# 对源点应用变换得到目标点
dst_points = scale_factor * src_points @ rotation_matrix.T + translation_vec

# 3. 调用cv2.estimateAffine3D计算相似变换矩阵
# 参数说明：
# - 前两个参数：源点集、目标点集，必须一一对应
# - 第三个参数force_rotation：设为False表示允许缩放（相似变换），设为True则是刚体变换（无缩放）
affine_matrix, inliers = cv2.estimateAffine3D(src_points, dst_points, force_rotation=False)

# 4. 验证变换效果：用计算出的矩阵转换源点，对比和目标点的误差
transformed_src = (affine_matrix[:, :3] @ src_points.T).T + affine_matrix[:, 3]

# 计算平均对齐误差，理论上应该非常小
avg_error = np.mean(np.linalg.norm(transformed_src - dst_points, axis=1))
print(f"两组点的平均对齐误差：{avg_error:.6f}")
print("计算得到的相似变换矩阵（3x4）：")
print(affine_matrix)

关键注意事项 #

• 点集格式要求：必须是np.float32类型，形状为(n, 3)，n是点的数量，且两组点的顺序必须严格一一对应。
• 变换矩阵解读：返回的affine_matrix是3x4矩阵，前3列是包含缩放的旋转分量，最后1列是平移分量。变换公式为：变换后点 = 源点 @ 旋转缩放矩阵.T + 平移向量
• force_rotation参数：如果你的场景只需要刚体变换（不允许缩放），把这个参数设为True即可。

备注：内容来源于stack exchange，提问作者welch