Homography（单应性变换）是计算机视觉中的一个重要概念，用于描述两个平面之间的透视关系。在图像处理和计算机视觉中，Homography通常表示两个平面之间的投影关系，这种关系可以通过一个3x3的矩阵来表示。
在数学上，给定两个平面，它们之间的单应性变换可以表示为：
s
′
[
x
′
y
′
1
]
=
H
[
x
y
1
]
s' \begin{bmatrix} x' \ y' \ 1 \end{bmatrix} = H \begin{bmatrix} x \ y \ 1 \end{bmatrix}
s′[x′ y′ 1]=H[x y 1]
其中：
((x, y)) 是第一个平面上的点的坐标，
((x’, y’)) 是第二个平面上的对应点的坐标，
(H) 是一个3x3的矩阵，称为单应性矩阵，表示两个平面之间的变换关系，
(s’) 是一个尺度因子。
Homography通常用于以下应用场合：
-
图像配准（Image Registration）： 当两幅图像中的内容表示相同的场景时，通过计算它们之间的Homography可以将它们对齐。这在图像拼接、全景图生成等应用中非常常见。
-
虚拟增强现实（Virtual and Augmented Reality）： 在虚拟和增强现实应用中，通过Homography可以将虚拟对象投影到现实世界中，使其与实际场景相匹配。
-
物体识别与跟踪（Object Recognition and Tracking）： 在目标识别与跟踪中，Homography可以用于在不同视角之间跟踪物体，以及在图像中定位物体。
-
摄像机标定（Camera Calibration）： 在计算机视觉中，摄像机的内部参数和外部参数可以通过Homography进行标定，从而提高摄像机的测量精度。
在这些场合中，Homography通过将一个平面上的点映射到另一个平面上的对应点，描述了平面之间的几何关系，为图像处理和计算机视觉任务提供了强大的工具。
以上是一般性解释，有点懵，以下是细节版本介绍：
已知一个平面上的两点P和Q，用两台照相机分别对其进行拍摄，那么P、Q会在相机C1上形成投影点p1，q1， 在相机C2上形成投影点p2， q2
已知相机C1距离已知平面的距离d， 相机C1到相机C2的旋转和平移矩阵，已知平面的法向量
可以求出p1和q1之间的对应关系，求出的H是一个（3*3）的矩阵，称为单应矩阵，如下图所示：
在3D坐标下的关系如上图，如果将坐标点投影到相机坐标系下的坐标，就可以得到2D单应性变换，只需要×相机参数K，如下图所示
在MVSNet中的单应性变换：
想知道实际的点P投影到照相机的点的距离D，可以考虑在相机C1前假象n个平面，各个平面到相机的距离分别是d1-dn
如果说是实际的点P确实在距离在dn的平面上（即D=dn），那么p1通过Homography（dn）得到的投影到C2上的点的特征应该和原本P投影到C2上点p2的特征非常接近，如下图所示：
如果说从C1到C2相机的旋转和平移矩阵(R和t)未知，可以通过世界坐标进行相应的转化，
世界坐标转化到C1和C2相机的旋转和平移矩阵可以得到，
通过一定的计算推倒（过程可以理解为 将世界坐标下的P投影到C1坐标，再从C1坐标系投影到C2坐标；再投影回世界坐标下，P 的位置应该不变）
可以得出C1到C2的平移矩阵
，过程如下图：（从下往上看）
