嘿，这个问题问得特别到位——其实你提到的这两个“技术”本质上是包含与被包含的关系，并非完全独立的两种方法，咱们一步步拆解清楚：

先把最关键的定义掰明白：

• DLT（Direct Linear Transform，直接线性变换） 是一种通用的线性代数求解思路，专门用来从一组线性约束里估计未知的变换矩阵。它可不是只服务于单应性，还能用来求解相机标定的投影矩阵、姿态估计、仿射变换估计等一堆问题。
• 你说的“单应性估计”是一个具体的计算机视觉任务——目标是求解两个平面之间的透视变换矩阵H，而DLT是完成这个任务最常用的线性求解手段之一。

那为啥两个文档看起来像两种技术？大概率是因为：第一个文档是把DLT作为通用方法来介绍，拿单应性估计当示例讲解；第二个文档则是聚焦在单应性估计这个任务本身，DLT只是其中的核心求解步骤，可能还补充了其他实用细节（比如坐标归一化、误差优化这些）。

假设两份资料的侧重点分别是：

• 第一份：主打DLT的通用逻辑，讲解如何把单应性的点对约束转化为A*h=0形式的线性方程组，再用SVD求解组成H的向量。这里的核心是DLT的线性求解流程。
• 第二份：主打单应性估计的完整解决方案，除了用DLT求初始H，还可能包含：
  • 点对的归一化处理（比如给图像坐标做平移+缩放，减少数值计算误差）
  • 用非线性算法（比如LM算法）对DLT得到的初始H做误差优化，最小化重投影误差
  • 结合RANSAC来处理 outliers（也就是错误的点对匹配）

所以你觉得“功能相同”，是因为两者都用到了DLT求解H的核心环节，但第二份资料讲的是单应性估计的全流程，DLT只是其中的一部分。

• 用DLT的场景：

  • 只要是能转化为线性约束的变换估计问题，都能用上它。比如求解相机的投影矩阵、估计仿射变换，甚至多视图几何里的其他问题，只要能把约束写成A*h=0的形式，DLT+SVD就能搞定。
  • 作为复杂任务的“初始解工具”：比如先靠DLT得到单应性的初始H，再用非线性优化来 refine 结果，让它更准确。

• 做单应性估计的场景：

  • 当你需要处理两个平面之间的透视变换时——比如从不同角度拍同一平面物体，或者把图像里的某个平面区域（比如海报、桌面）映射到另一个平面上。
  • 这时候通常不会只用纯DLT，而是会结合归一化、RANSAC、非线性优化，来得到更鲁棒、更精准的H矩阵，DLT是整个流程里的基础线性求解环节。

很多计算机视觉资料里，会把“用DLT求解单应性”直接简称为“单应性的DLT方法”，而另一些资料会把单应性估计作为整体任务来讲解，这就容易让人误以为是两种独立技术，但本质上是通用方法和具体任务的关系。

内容的提问来源于stack exchange，提问作者Carpetfizz