在计算机视觉与机器人领域，视觉传感器（如摄像头、深度相机）的坐标系系统是理解图像数据、实现三维重建与空间感知的基础。许多初学者在面对像素坐标、相机坐标、世界坐标等概念时容易混淆，本文将系统梳理视觉传感器中常见的坐标系及其转换关系，帮助读者构建清晰的数学与物理框架。

视觉传感器通常涉及四个核心坐标系：像素坐标系、图像坐标系、相机坐标系和世界坐标系。每个坐标系都有其特定的定义与作用。

像素坐标系以图像的左上角为原点，横轴向右为u轴，纵轴向下为v轴。坐标单位为像素，直接对应图像存储的矩阵行列。一张1920×1080的图像中，点(u,v)表示第u列、第v行的像素位置。像素坐标系是离散的，便于计算机处理，但缺乏物理尺度信息。

图像坐标系建立在物理成像平面上，原点为图像中心（光轴与成像平面的交点），x轴和y轴分别平行于像素坐标系的u轴和v轴，但单位转换为毫米或厘米等物理单位。从像素坐标到图像坐标的转换涉及内参矩阵，包括焦距（fx, fy）和主点偏移（cx, cy）。公式为：x = (u - cx) / fx, y = (v - cy) / fy。这一转换将离散像素映射到连续的物理平面，是后续三维计算的关键步骤。

第三，相机坐标系以相机光心为原点，Z轴沿光轴方向指向场景，X轴和Y轴分别平行于图像坐标系的x轴和y轴。该坐标系描述物体相对于相机的位置，单位通常为米。从图像坐标到相机坐标的转换需要引入深度信息Zc，关系为：Xc = x Zc, Yc = y Zc。对于单目相机，Zc未知，需通过多视角或先验知识估计；而深度相机可直接提供Zc值。

世界坐标系是全局参考系，原点可任意定义（如场景中的固定点），用于描述物体在真实空间中的绝对位置。从相机坐标到世界坐标的转换通过外参矩阵实现，包括旋转矩阵R和平移向量t，公式为：P_w = R P_c + t。外参反映了相机在世界中的姿态与位置，可通过标定获得。

坐标转换的完整链条为：像素坐标 → 图像坐标 → 相机坐标 → 世界坐标。这一过程在视觉应用中无处不在，例如在自动驾驶中，摄像头捕捉的车辆图像需转换为世界坐标以规划路径；在AR应用中，虚拟物体需根据相机姿态叠加到真实场景。

理解坐标系还需注意传感器类型的影响。对于RGB-D相机，深度信息简化了三维重建；而对于鱼眼或全景相机，内参模型更为复杂，涉及畸变校正。多传感器融合（如相机与IMU）中，坐标系对齐是保证数据一致性的前提。

实践中，坐标系的标定至关重要。内参标定常用张正友棋盘法，外参标定则需已知世界坐标的标定物。误差会累积在转换链中，因此高精度标定是视觉系统可靠性的保障。

视觉传感器的坐标系是连接二维图像与三维世界的桥梁。掌握其转换逻辑，不仅能深化对视觉原理的理解，更能为SLAM、三维检测、机器人导航等应用奠定坚实基础。随着视觉技术的普及，这一基础框架的重要性将日益凸显。