第四章：光学成像原理——成像模型、分辨率与视场、畸变校正、景深计算
各位工程师朋友，大家好。这一章我们聊聊光学成像。说实话，在视觉引导焊接系统里，光学成像就是系统的「眼睛」。眼睛不好使，后面算法再牛也白搭。我见过太多项目，最后卡在成像质量上，不得不返工换镜头、调光源。所以，这一章的内容，我建议你认真看。
4.1 成像模型：从三维世界到二维图像
我们先从最基础的开始。相机是怎么把三维世界变成二维图像的？
说白了，就是小孔成像原理的升级版。一个理想的光学系统，可以用针孔模型来描述。这个模型假设所有光线都通过一个点——光心，然后投射到成像平面上。
数学上，它表达为：
u = f * (X / Z) + u0
v = f * (Y / Z) + v0其中 (X, Y, Z) 是空间点坐标，(u, v) 是图像像素坐标，f 是焦距， (u0, v0) 是主点偏移。
嗯，这里要注意：实际镜头不是完美的针孔。真实镜头有透镜，会引入畸变。但针孔模型是基础，所有标定算法都从它出发。
我在项目中遇到过一件事：有个同事直接用针孔模型算焊接轨迹，结果偏差了2毫米。为什么？因为镜头畸变没校正。所以，理解模型只是第一步，后面还得处理现实问题。
核心要点：针孔模型是理想情况，实际系统必须考虑畸变。标定就是求解从「理想模型」到「实际成像」的映射关系。
4.2 分辨率与视场：选镜头的两个硬指标
选镜头时，我最先看两个参数：分辨率和视场。这两个参数直接决定了你能看清多小的焊缝，以及能覆盖多大的焊接区域。
分辨率，说白了就是相机能分辨的最小细节。它由传感器像素尺寸和镜头光学质量共同决定。公式很简单：
分辨率（mm/pixel）= 视场宽度（mm） / 图像宽度（pixel）举个例子：如果你的视场是100mm宽，相机是2000像素宽，那每个像素对应0.05mm。理论上你能分辨0.05mm的细节。但实际中，受镜头MTF（调制传递函数）影响，可能只能到0.1mm。
视场则取决于焦距和传感器尺寸。焦距越短，视场越大。但短焦距镜头畸变更明显，这是个 trade-off。
| 焦距 (mm) | 视场角 (水平) | 典型应用场景 |
|---|---|---|
| 8 | 约56° | 大范围焊缝定位 |
| 12 | 约39° | 中等尺寸工件 |
| 16 | 约30° | 精细焊缝跟踪 |
| 25 | 约20° | 高精度小区域 |
我个人习惯：先确定需要的视场，再反推焦距。比如焊接一个500mm长的工件，我至少需要600mm的视场（留点余量）。然后根据传感器尺寸算焦距。你想想看，如果视场选小了，焊缝跑到画面外，那整个系统就废了。
我的经验：视场最好比工件大20%-30%。这样即使工件摆放有偏差，也能完整成像。我曾经吃过亏，视场刚好卡着工件边缘，结果一次定位偏差就导致图像截断，焊接轨迹全错。
4.3 畸变校正：让直线变回直线
畸变是镜头的「原罪」。尤其是广角镜头，画面边缘的直线会变成曲线。焊接引导系统对畸变非常敏感——你想想看，如果焊缝在画面边缘弯曲了，机器人按这个轨迹走，焊出来肯定歪。
畸变主要分两种：
- 径向畸变：光线通过透镜边缘时弯曲更厉害。表现为「桶形畸变」（画面向外凸）或「枕形畸变」（画面向内凹）。
- 切向畸变：镜头和传感器不平行导致的。表现为画面倾斜或拉伸。
校正方法，我一般用张正友标定法。流程是这样的：
- 打印一张棋盘格标定板
- 从不同角度拍10-20张照片
- 用OpenCV的
calibrateCamera()函数计算内参和畸变系数 - 用
undistort()或initUndistortRectifyMap()生成校正后的图像
代码示例（Python + OpenCV）：
import cv2
import numpy as np
# 准备标定板角点
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
objp = np.zeros((6*9, 3), np.float32)
objp[:,:2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2)
objpoints = [] # 世界坐标系中的点
imgpoints = [] # 图像坐标系中的点
# 遍历标定图片
for fname in glob.glob('calib_images/*.jpg'):
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, corners = cv2.findChessboardCorners(gray, (9, 6), None)
if ret:
objpoints.append(objp)
corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
imgpoints.append(corners2)
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
# 校正单张图像
img = cv2.imread('test.jpg')
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)避坑指南：我曾经用一张标定板照片就做校正，结果畸变参数完全不对。后来才知道，至少需要10张不同角度的照片，而且标定板要占画面1/3以上。另外，标定板必须平整，我见过有人用打印纸贴在弯曲的纸箱上，校正后图像反而更扭曲。
4.4 景深计算：焊接时别让焊缝跑出焦平面
景深，就是图像清晰的范围。焊接时，工件表面不是完全平的，焊缝可能有起伏。如果景深太小，焊缝稍微一偏就模糊了。
景深由三个因素决定：
- 光圈：光圈越小（F值越大），景深越大。但光圈太小会引入衍射，图像反而变模糊。
- 焦距：焦距越短，景深越大。但短焦距镜头畸变大。
- 拍摄距离：距离越远，景深越大。但分辨率会下降。
计算公式（近似）：
景深 = 2 * (F值 * 弥散圆直径 * 拍摄距离^2) / (焦距^2)弥散圆直径一般取0.01-0.03mm，取决于传感器像素大小。
举个例子：
| 参数 | 值 |
|---|---|
| 焦距 | 12mm |
| 光圈 | F8 |
| 拍摄距离 | 500mm |
| 弥散圆 | 0.02mm |
| 景深 | 约±15mm |
也就是说，在±15mm范围内，图像都是清晰的。对于大多数焊接场景，这个景深够用了。但如果焊缝起伏超过30mm，你就得考虑缩小光圈或换短焦距镜头。
我的建议：焊接系统里，我一般把光圈设在F8-F11之间。F2.8虽然进光多，但景深太浅，焊缝稍微一偏就糊了。F16以上虽然景深大，但衍射效应会让图像变「肉」。F8是个不错的平衡点。
知识体系总览
下面这张图，是我自己总结的本章知识结构。你可以把它当作一个快速索引：
好了，这一章的内容就到这里。光学成像原理是视觉系统的基石，你把这些概念吃透了，后面设计系统时会少走很多弯路。记住：成像质量决定了整个系统的上限，算法再好也救不了一张模糊的照片。
公众号:蓝海资料掘金营，微信deep3321