3D视觉入门：如何用线结构光测量快速获取物体轮廓（附Python代码示例）

3D视觉实战：从零构建线结构光轮廓测量系统

最近在做一个工业质检的小项目，需要快速获取一批不规则金属零件的表面轮廓。传统的接触式测量效率太低，而市面上的3D扫描仪要么太贵，要么精度不够。折腾了一圈，最后把目光投向了线结构光测量——这个听起来有点学术，但实际搭建起来却相当亲民的技术。它就像用一把“光刀”去切割物体表面，然后用相机拍下这道光的变形，就能反推出物体的三维形状。整个过程不需要复杂的设备，一台普通的工业相机、一个线激光器，再加上我们熟悉的Python和OpenCV，就能搭建一套属于自己的3D测量系统。这篇文章，我就把自己从原理摸索到代码落地的完整过程，以及中间踩过的那些坑，毫无保留地分享给同样想快速上手3D视觉的朋友们。

1. 线结构光：原理与核心思想

很多人第一次接触线结构光，容易被那些“光平面”、“世界坐标系”、“相机标定”之类的术语吓到。其实它的核心思想非常直观。想象一下，在一个黑暗的房间里，你手持一支激光笔，如果激光笔发出的是一个光点，你只能知道墙上某一个点的位置。但如果你在激光笔前加一个特殊的透镜（柱面镜），它就能把光点“拉”成一条明亮的细线，就像一把光做的尺子。

当你把这把“光尺”投射到一个平整的墙面上，相机看到的就是一条笔直的亮线。但如果你把一个小物件（比如一个鸡蛋）放在墙前，光尺照在鸡蛋弯曲的表面上，相机看到的就不再是直线，而是一条随着鸡蛋轮廓弯曲的曲线。这条曲线的每一个像素点的偏移量，都编码了鸡蛋表面在该位置的高度信息。这就是线结构光测量最朴素也最核心的原理：通过观测已知形态的结构光图案在物体表面的变形，来解算物体的三维形貌。

与逐点扫描的“点结构光”相比，线结构光一次就能获取物体一个剖面上的数百个点，效率的提升是指数级的。这也是它被称为“光切法”的原因——就像用光做切片，一次切下物体的一整个剖面。

整个测量流程可以抽象为以下几个关键步骤：

1. 系统搭建与标定：固定相机和线激光器的相对位置，并精确计算出相机成像的数学模型（内参）以及光平面在空间中的方程（外参）。
2. 图像采集与预处理：在黑暗或可控光照环境下，采集投射了激光线的物体图像，并通过图像处理技术提取出那条明亮的激光条纹中心线。
3. 条纹中心提取：这是精度保障的关键，需要从图像中亚像素级地定位激光条纹的中心位置。
4. 三维坐标重建：将图像上提取的每一个中心点像素坐标，结合相机标定参数和光平面方程，通过三角测量原理，计算其在真实三维空间中的坐标。
5. 点云处理与轮廓生成：将计算出的三维点集（点云）进行后续处理，如滤波、拼接（如果是多线扫描），最终生成可用的物体轮廓或三维模型。

这个过程里，标定的精度直接决定了整个系统的测量精度，而条纹中心提取的算法则决定了数据的细节丰富程度。下面，我们就深入每个环节，看看具体怎么操作。

2. 硬件搭建与系统标定：给系统装上“尺子”

在开始写代码之前，你得先把硬件架子搭起来。这套系统最简配置只需要三样东西：

• 面阵CCD/CMOS相机：建议选择全局快门相机，避免拍摄移动物体时产生拖影。分辨率根据测量范围和精度要求来定，通常200万像素以上即可开始实验。
• 线激光器：选择功率合适（Class 2或以下更安全）、线宽均匀、发散角小的型号。波长常见有红光（650nm）和蓝光（450nm），在暗环境下红光更醒目，但某些材料表面蓝光反射特性更好。
• 计算机：用于运行处理程序和存储数据。

安装时，让相机和激光器大致对准待测区域，形成一个经典的三角测量布局。激光器投射的光平面要与相机的成像平面成一定角度（通常20°-45°），这个角度越大，对高度变化的灵敏度越高，但视野可能越小，且容易产生遮挡。

硬件摆好只是第一步，接下来的系统标定才是重头戏，它决定了你的系统“看”得准不准。标定分为两部分：相机标定和光平面标定。

2.1 相机标定：确定相机的“内参”

相机标定的目的是获取相机的内部参数和畸变系数。你可以把它理解为给相机做一次“体检”，弄清楚它的成像特性。我们使用经典的张正友标定法，借助OpenCV可以轻松完成。

你需要准备一个高精度的棋盘格标定板（比如10x7的内角点），从不同角度、不同位置拍摄十几到二十张标定板的图片。确保标定板在每张图中都清晰、完整，且姿态多样。

import cv2
import numpy as np
import glob

# 准备标定板参数 (以10x7内角点为例)
pattern_size = (9, 6) # 内角点数量 (宽度-1, 高度-1)
square_size = 25.0 # 每个方格的实际物理尺寸，单位毫米

# 存储对象点和图像点的容器
obj_points = [] # 3D点 (世界坐标系)
img_points = [] # 2D点 (图像坐标系)

# 生成标定板角点的世界坐标 (Z=0)
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)
objp *= square_size

# 读取所有标定图像
images = glob.glob('./calibration_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)