从二维到三维：深入解析由视差图像计算深度图像的数学原理
在现代计算机视觉、三维重建以及自动驾驶领域，深度估计（Depth Estimation）是一项核心任务。虽然双目立体视觉（Binocular Stereo Vision）技术已经存在多年，但如何从两张略有差异的二维图像中精确计算出每一像素点的深度信息，始终是一个兼具理论深度与工程挑战的问题。
这篇文章将深入探讨由视差图像（Disparity Map）得到深度图像（Depth Map）公式，解析其背后的几何原理，分析影响精度参数，并通过表格对比不同场景下的数据表现，帮助读者建立完整的知识体系。
核心概念解析
在推导公式之前，我们须要明确两个关键概念：
视差（Disparity, ）：指同一物体点在左图和右图成像平面上的水平像素坐标之差。由于透视投影原理，物体离相机越近，视差越大；离相机越远，视差越小。
深度（Depth, ）：指物体点到相机光心的垂直距离（指沿光轴方向的距离）。
视差图像是一个包含每个像素视差值的矩阵，而深度图像则是将视差值转换为实际物理距离（如米或毫米）后的矩阵。
基础几何模型与核心公式
1 理想双目相机模型
假设我们有一个理想的双目相机系统，满足以下条件：
1. 左右相机光轴平行。
2. 左右相机处于同一水平高度。
3. 左右相机的焦距（）和主点（）完全一致。
在这种标准配置下，根据相似三角形原理，可以推导出深度 与视差 之间的基本关系。
2 核心公式
由视差图像计算深度图像的标准公式为：
其中：
：深度值（Depth），即物体到相机平面的距离。
：相机焦距（Focal Length），单位为像素（px）。
：基线长度（Baseline），即左右相机光心之间的水平距离，单位需与 一致（如米或毫米）。
：视差值（Disparity），即 ，单位为像素（px）。
注意：这里的焦距 必须运用像素单位而非物理毫米单位。如果已知物理焦距 和传感器像素尺寸 ，则 。
3 公式推导简述
设物体点 在左相机成像平面上的坐标为 ，在右相机成像平面上的坐标为 。
根据三角几何关系：
其中 是物体在相机坐标系下的X轴坐标。
两式相减可得视差：
整理后即得到深度公式：
关键参数对深度精度的影响
公式 揭示了深度估计的三个关键影响因素。理解这些参数对于优化算法。
| 参数 | 符号 | 物理意义 | 对深度精度的影响 | 优化建议 |
|---|---|---|---|---|
| 焦距 | 镜头的放大能力 | 越大，相同深度对应的视差越大，深度分辨率越高，但视场角变小。 | 使用长焦镜头可提升远距离精度，但需权衡视场范围。 | |
| 基线 | 左右相机间距 | 越大，视差越大，深度灵敏度越高，但匹配难度增加（遮挡问题严重）。 | 近距离场景（如机器人抓取）需增大基线；远距离场景（如自动驾驶）需减小基线。 | |
| 视差 | 像素级差异 | 越小（即物体越远），深度 对 的微小转变越敏感，误差放大效应显著。 | 远距离物体深度估计误差较大，需结合其他传感器（如LiDAR）或单目深度先验。 |
1 误差传播分析
由于深度 与视差 成反比，视差的微小误差 会导致深度的巨大误差 。通过微分可得误差传递公式：
结论：深度误差与深度的平方成正比。距离相机越远，深度估计的绝对误差越大。这是双目立体视觉固有的物理限制。
实际工程中的修正与扩展
在实际应用中，理想模型不成立。以下因素必须引入修正：
1 非平行光轴与畸变
现实相机存在镜头畸变（Distortion），且左右相机不完全平行。所以在计算视差前，必须进行立体校正（Stereo Rectification），将图像重投影到同一平面，确保左右图像的行对齐。2 亚像素级视差
标准的视差计算基于整数像素匹配，精度有限。为了获得更平滑、更精确的深度图，算法输出亚像素级视差（Sub-pixel Disparity），保留小数点后两位。此时公式依然适用，但 不再是整数。3 单位统一问题
一个常见的错误是单位不统一。： 使用毫米（mm） 使用米（m） 结果 单位混乱最佳实践：将所有物理量转换为标准单位（如毫米或米），或者直接运用像素焦距和毫米基线，统一转换输出深度图的单位。
数据示例：不同场景下的深度计算模拟
下表展示了在不同相机配置和视差值下，计算出的深度值。假设焦距 像素。
| 场景类型 | 基线 (mm) | 视差 (px) | 计算深度 (mm) | 计算深度 (m) | 备注 |
|---|---|---|---|---|---|
| 近距精细扫描 | 100 | 40 | 2000 | 2.0 | 视差大，精度高，适合工业检测 |
| 近距精细扫描 | 100 | 20 | 4000 | 4.0 | 视差减半，深度翻倍 |
| 车载前视 | 1000 | 10 | 80000 | 80.0 | 长基线，远距离场景 |
| 车载前视 | 1000 | 5 | 160000 | 160.0 | 远距离处视差极小，误差敏感 |
| 手机双摄 | 15 | 100 | 120 | 0.12 | 极小基线，仅适用于自拍或近景 |
观察：在手机双摄场景中，由于基线 极小（仅15mm），即使视差较大，计算出的深度范围也非常有限（小于1米）。这解释了为什么手机“人像模式”的背景虚化在远处会失效。
现代深度学习中的深度估计
虽然上面这些公式是几何基础，但现代深度学习（如MiDaS, Depth Anything, KITTI基准测试中的CNN方法）并未直接使用该公式进行端到端训练，而是：
1. 数据驱动：网络直接从图像像素映射到深度值，隐含地学习了 和 的统计特性。
2. 尺度模糊性（Scale Ambiguity）：单目深度估计无法确定绝对尺度，而双目深度估计若未校准，也存在尺度漂移。所以很多的系统仍会结合上述几何公式进行后处理或初始化。
3. 融合长处：先进的系统将几何双目深度（高精度、局部准确）与深度学习深度（全局一致性、无遮挡区域）进行融合，以克服各自缺陷。
由视差图像得到深度图像的公式 看似简单，却蕴含了立体视觉几何原理。它不仅是传统双目匹配算法的理论基石，也是理解现代深度估计算法局限性与特长的钥匙。
在实际应用中，工程师需要根据场景需求（距离、精度、视场角）合理选择焦距 和基线 ，并认识到深度误差随距离平方增长的物理规律。随着传感器技术和算法，这一经典公式将继续在机器人导航、增强现实（AR）和自动驾驶等领域发挥独特的作用。
参考文献与延伸阅读：
1. Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.
2. Zhang, Z. (2000). "A Flexible New Technique for Camera Calibration". IEEE TPAMI.
3. KITTI Vision Benchmark Suite. (2012). Stereo Datasets.
