2.5D PMD成像算法（相位偏折术）之形状图的局部特征增强

最新推荐文章于 2026-04-06 02:21:04 发布

原创

最新推荐文章于 2026-04-06 02:21:04 发布 · 396 阅读

1. 为什么我们需要给形状图“开美颜”？

大家好，我是老张，在工业视觉这个行当里摸爬滚打了十几年，从最早的2D检测玩到现在的3D、2.5D，各种算法和硬件都折腾过不少。今天想跟大家聊一个特别具体、也特别“接地气”的问题：怎么给那些看起来“糊成一团”的形状图，做一次精准的“局部美颜”。

咱们先说说背景。在工业检测里，尤其是看那些带点反光但又不够“亮闪闪”的物件，比如某些哑光金属表面、带涂层的零件、或者经过特殊处理的塑料外壳，PMD（相位偏折术）是个好帮手。它本质上是通过分析投射到物体表面的编码条纹发生了怎样的扭曲，来反推出物体的三维形状，生成一张“形状图”。这技术精度高，听起来很美好，对吧？

但理想很丰满，现实很骨感。我遇到过太多这样的情况了：产线环境的光线忽明忽暗，物体表面本身有点粗糙或者有细微的纹理，导致相机拍回来的条纹图质量很差——条纹模糊、对比度低、断断续续的。用这些条纹图算出来的相位信息，噪声一大堆，最后生成的原始形状图，就像一张没对上焦的照片，该有的棱角、凹坑、划痕这些关键特征，全都“藏”在了噪声里，若隐若现，根本没法用来做可靠的缺陷判断。

这问题不解决，再好的算法也是白搭。你不能指望产线工人天天在理想实验室环境下干活。所以，核心矛盾就来了：我们既要把这些被噪声淹没的局部细节特征给“放大”出来，又得保证这个过程计算量不能太大，最好能跟上产线“线扫”的节奏，还不能把噪声也给放大了，或者把真实的特征给“P”变形了。这就是“形状图的局部特征增强”要干的活儿。它不是对整个图进行无差别的暴力处理，而是像一位经验丰富的修图师，知道哪里该提亮，哪里该锐化，精准地还原物体表面的真实面貌。

2. 从模糊条纹到清晰形状：核心流程拆解

要理解局部增强，咱们得先看看一张清晰的形状图是怎么“炼”成的。整个过程就像一条流水线，任何一个环节出问题，最终产品都会有瑕疵。

2.1 第一步：相移法——从条纹中“抠”出相位

PMD最常用的方法是相移法。简单说，就是向物体表面投射一组（通常是四幅）明暗规律变化的条纹。物体表面的高低起伏，会导致这些条纹发生扭曲和偏移。咱们通过计算这四幅图，就能得到一个包裹相位图。

我举个生活化的例子：这就像你看水波。平静的水面，波纹是规整的。但你扔一块石头，波纹的形态就变了。相移法就是通过在不同时间点“看”这组波纹，来精确计算出石头造成的影响（即相位变化）。公式并不复杂，对于四步相移，相位 φ 可以通过四个强度图像 I1, I2, I3, I4 计算：

import numpy as np

# 假设 I1, I2, I3, I4 是四幅相移条纹图
numerator = I4 - I2
denominator = I1 - I3

# 计算包裹相位，值在 [-π, π] 之间
wrapped_phase = np.arctan2(numerator, denominator)

这段代码跑出来的 wrapped_phase，就是包裹相位图。但这里有个大坑：arctan2 函数算出的相位值是被“包裹”在 -π 到 π 之间的，图像上会呈现明暗跳变的不连续条纹。这还不是我们最终要的高度信息。