4、投影仪非线性校正：预补偿法、查找表法、多项式拟合法
做结构光测量这么多年，我踩过最大的坑之一，就是投影仪的非线性问题。你想想看，我们辛辛苦苦设计了一套相移算法，理论上精度能到亚像素级，结果一上投影仪，相位误差直接飙到好几度——这谁受得了？
说白了，投影仪的非线性响应，就是输入灰度值和输出光强不成正比。理想情况下，我输入128的灰度，输出应该是50%的光强。但实际呢？很多商用投影仪在暗区和亮区都有明显的压缩，中间段反而比较线性。这个特性，我们通常用Gamma曲线来描述。
我个人习惯把非线性校正分成三类：预补偿法、查找表法、多项式拟合法。每种方法各有千秋，咱们一个一个聊。
4.1 预补偿法：最直接的思路
预补偿法的想法很简单——既然投影仪会扭曲信号，那我就在发送信号之前，先反向扭曲一下。就像你对着山谷喊话，知道回声会延迟，那就提前一点喊。
具体怎么做呢？先测量投影仪的响应曲线，然后求它的反函数。假设投影仪的响应是 I_out = f(I_in)，那预补偿就是 I_in' = f^{-1}(I_target)。
核心步骤：
- 投影一系列已知灰度值（比如0, 32, 64, ..., 255）
- 用相机采集对应的光强值
- 拟合出响应曲线 f(x)
- 计算反函数 f^{-1}(y)
- 对原始条纹图逐像素应用反函数
我在项目中遇到过一种情况：用预补偿法校正后，相位误差从3.2°降到了0.4°。效果很明显，但有个问题——如果投影仪的响应随时间漂移（比如温度变化），预补偿的精度就会下降。
我的经验：预补偿法适合离线标定、固定场景的测量。如果环境温度变化大，建议每次开机后先做一次快速标定。
4.2 查找表法：简单粗暴但有效
查找表法，说白了就是建立一个映射表。输入灰度值，查表得到校正后的灰度值。这个方法的好处是——不需要拟合任何数学函数，直接测量、直接查表。
我曾经在一个项目中，投影仪的非线性特别诡异，多项式拟合怎么都搞不定。后来换成查找表法，问题迎刃而解。为什么？因为查找表法不假设任何数学模型，你测到什么就是什么。
构建查找表的流程：
- 投影N个均匀灰度图（比如N=256，每个灰度值一张）
- 采集每张图的光强响应
- 建立灰度值→光强值的映射关系
- 反过来，建立目标光强→所需灰度值的映射
- 存储为LUT（Look-Up Table）
注意：查找表法的精度取决于采样点数。256级灰度全采样，精度最高，但标定时间也最长。我一般建议采样64~128个点，中间用插值补全。既保证精度，又节省时间。
嗯，这里要注意一点——查找表法对存储空间有要求。一个256级的LUT只需要256字节，但如果你要做亚像素级的校正，可能需要更大的表。不过现在嵌入式设备的Flash都够用，这个不是大问题。
4.3 多项式拟合法：数学之美
多项式拟合法是我个人最喜欢的方法。为什么？因为它用一个简洁的数学表达式，就能描述整个非线性响应。你想想看，一个三次多项式，四个系数，就能搞定大部分投影仪的非线性校正。
常用的模型是：
I_out = a0 + a1 * I_in + a2 * I_in^2 + a3 * I_in^3或者更精确的Gamma模型：
I_out = a * I_in^γ + b拟合步骤：
- 采集多组 (I_in, I_out) 数据点
- 用最小二乘法拟合多项式系数
- 得到校正函数 I_corrected = P(I_measured)
- 对原始条纹图逐像素应用校正函数
避坑指南：我曾经用五次多项式拟合一个老旧投影仪，结果过拟合了——在校准点上误差很小，但校准点之间的区域反而误差更大。后来我改成三次多项式，效果反而更好。所以，不是阶数越高越好，三次或四次通常就够用了。
4.4 三种方法的对比
为了让你看得更清楚，我整理了一个对比表：
| 方法 | 精度 | 计算量 | 存储需求 | 适用场景 |
|---|---|---|---|---|
| 预补偿法 | 中高 | 低 | 低 | 实时性要求高的场景 |
| 查找表法 | 高 | 中 | 中 | 非线性特性复杂的投影仪 |
| 多项式拟合法 | 中高 | 低 | 极低 | 嵌入式系统、资源受限设备 |
我个人建议：如果你刚开始做结构光，先从多项式拟合法入手。它简单、高效，而且能让你理解非线性的本质。等遇到更复杂的情况，再考虑查找表法或预补偿法。
4.5 知识体系总览
下面这张图，是我画的本章节知识结构。你可以看到三种方法之间的关系，以及它们在整个校正流程中的位置。
最后说一句心里话：非线性校正这件事，看起来是小事，但做不好，整个测量系统的精度都会受影响。我见过太多人花大价钱买高精度相机、镜头，却在投影仪校正上敷衍了事。结果呢？相位误差大得离谱，三维重建出来的点云全是波浪形的。
所以，别小看这一章的内容。把非线性校正做好了，你的结构光测量系统才算真正入了门。