第4章分辨率与点云密度评估

4、分辨率与点云密度评估

各位工程师朋友，咱们今天聊聊深度相机性能评估里最核心的一块——分辨率与点云密度。说实话，我见过不少团队，拿着标称参数很高的相机，实际一测就露馅了。为什么？因为分辨率这东西，厂商的测法和你的实际使用场景可能根本不是一回事。

核心观点：分辨率不是越高越好，关键是你的应用场景需要什么样的空间分辨率和深度分辨率。点云密度也不是越密越好，它和计算资源、实时性要求是矛盾的。

空间分辨率，说白了就是相机能区分多小的物体细节。对于深度相机来说，它通常用水平视场角和垂直视场角下的像素数量来表示。比如一个640×480的深度图，在1米距离下，每个像素对应的物理尺寸是多少？

我习惯用一个简单公式来估算：

空间分辨率 ≈ (距离 × tan(视场角/2) × 2) / 像素数

举个例子。假设视场角是60°×45°，距离1米，分辨率640×480：

嗯，这里要注意。这个计算是理想情况。实际中，镜头畸变、像素串扰都会让这个值变大。我在项目中遇到过一款标称0.5mm精度的相机，实际测下来1米处只能分辨2mm的物体。所以，我建议你们拿到相机后，第一件事就是做空间分辨率实测。

实测方法：用一块黑白相间的棋盘格，放在不同距离下拍摄。看深度图上能清晰分辨的最小棋盘格尺寸。这个比看参数表靠谱多了。

深度分辨率，指的是相机能区分的最小深度变化。比如两个物体前后相差1mm，相机能不能分辨出来？

对于ToF相机，深度分辨率主要受调制频率和相位解算精度影响。对于双目立体视觉，则取决于基线长度和亚像素匹配精度。

我给你们一个经验值：

你想想看，如果做高精度3D扫描，深度分辨率不够的话，重建出来的模型表面会像橘子皮一样坑坑洼洼。我曾经吃过这个亏——用一款标称1mm精度的ToF相机做文物扫描，结果细节全丢了，后来换成结构光方案才搞定。

点云密度，就是单位面积内有多少个有效深度点。它和空间分辨率有关，但不完全是一回事。为什么？因为深度图里可能有无效像素（比如遮挡、低反射率区域）。

我一般用这个指标来评估：

有效点云密度 = 有效深度点数 / 视场覆盖面积

举个例子。一个640×480的深度图，如果有效点占80%，在1米距离下视场面积约1.2m×0.9m：

嗯，这个值看起来挺大。但实际应用中，点云密度会随着距离增加而急剧下降。为什么？因为视场面积随距离平方增长，而像素数不变。

注意：点云密度不是越高越好。密度太高，计算量会爆炸。我见过有人把点云密度调到极致，结果算法跑不动，帧率掉到1fps以下。要根据你的应用场景来权衡。

边缘响应，衡量的是深度相机在物体边缘处的表现。说白了，就是看深度图上的边缘是锐利的还是模糊的。

我常用的测试方法是：放一个边缘锐利的物体（比如金属块），看深度图上边缘处的过渡像素数量。理想情况下，边缘应该在一个像素内完成跳变。但实际上，由于像素串扰、多路径反射等原因，边缘会拖出几个像素的过渡带。

给你们看个典型数据：

我曾经在项目里遇到一个坑：用ToF相机做物体抓取，边缘响应太差，导致机械臂抓取位置偏差了5mm。后来换了结构光方案，边缘锐利了，抓取成功率从70%提升到98%。

这个指标，我把它叫做「深度分辨率的天花板」。它指的是在最佳条件下，相机能分辨的两个物体之间的最小深度差异。

测试方法很简单：放两个平面，一个固定，另一个用微位移台移动。记录深度图上两个平面能被区分开的最小位移量。

我给你们一个实测案例：

测试条件：
- 距离：0.5m
- 环境光：500 lux
- 目标：白色漫反射平面

结果：
- ToF相机A：最小可分辨深度差 2.3mm
- 双目相机B：最小可分辨深度差 4.1mm
- 结构光相机C：最小可分辨深度差 0.8mm

你想想看，如果做精密装配，要求0.5mm的深度分辨能力，那结构光方案就是唯一选择了。我建议你们在选型时，把这个指标放在首位考虑。

避坑指南：我曾经被厂商的「理论精度」忽悠过。他们给的是实验室理想条件下的数据，实际场景中，环境光、物体材质、温度都会影响这个值。所以，一定要用自己的场景实测。

为了让大家更直观地理解这五个指标之间的关系，我画了一张图：

这张图把五个指标串起来了。你看，空间分辨率和深度分辨率是基础，点云密度是它们的综合体现，边缘响应和最小可分辨深度差则是实际应用中的关键约束。评估一台深度相机，不能只看单个指标，要五个一起看。

好了，这一章的内容就到这里。记住，分辨率评估不是纸上谈兵，一定要动手实测。下一章我们会聊深度精度与噪声评估，到时候再细说。