Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >相位偏折术原理概述

相位偏折术原理概述

作者头像
3D视觉工坊
发布于 2021-01-13 03:00:08
发布于 2021-01-13 03:00:08
1.2K0
举报

相位偏折术是一个比较冷门的方向,主要用于测量镜面物体。一直以来,干涉法都是测量镜面最佳方法,精度可以达到波长的几百分之一,但是有一些局限性:

  1. 测量自由面型的镜面物体时,干涉法所需要的光学补偿原件制作复杂且昂贵;
  2. 回程误差,干涉法很难快速标定;
  3. 测量环境苛刻,不适合干涉法测量,因为轻微抖动、温度变化,会给测量记过带来很大误差;

解决:PMD,相位偏折术,对环境不敏感,没有回程误差,因而标定相对简单,可以测量自由曲面。其实偏折术系统跟结构光系统是非常相似的,回顾下它的重建流程:

  1. 标定相机,以及屏幕、相机位置关系
  2. 使用屏幕投影条纹(结构光使用投影仪)
  3. 解码获取表面梯度(结构光直接获取高度)
  4. 梯度积分获取高度信息

额外说明的是,偏折术系统中常说的“精度”达到几纳米,不是传统意义上的“精度”,这是因为偏折术通常用来测量纯镜面反射的物体表面,比如说天文望远镜的镜面,它的模型假设中也假设参考平面跟实测待镜面在同一高度,所以精度甚至可以达到几纳米。

01 原理

单相机PMD系统如图1所示,系统由LCD显示屏、CCD相机和计算机组成:

图1 PMD系统示意图 [1]

简单原理:

  1. 显示屏显示计算机生成的结构光条纹;
  2. 相机通过待测镜面表面拍摄显示屏上条纹的镜像;
  3. 如果镜面表面不平整的话,则拍摄到的条纹会产生相应的变形;

更复杂原理,如图2所示(由于光路可逆,我们对光线反向描述):

图2 PMD系统原理图 [1]

在这个式子的推导中,有一点需要额外注意这个近似条件,实际上它是现有单相机PMD系统中误差的主要来源:

近似条件:我们认为,待测物体的高度要远小于,在点处待测镜面和参考面位置的高度点是完全一致的,忽略了这部分误差,认为相位仅仅与镜面表面梯度相关。

之后的重建步骤:

  1. 相位的获取原理跟结构光相类似
  2. 根据相位获取梯度
  3. 在获取了梯度之后,对 x,y方向分别沿路径进行积分

最终即可获取高度信息。

说明:这篇文章目的仅仅是对相位偏折术的核心原理做个概略性的介绍,完整的推导并未介绍,更多的细节请查看相关论文。

02 特性

相比较来说,PMD有以下优势:

图3 振动对梯度测量的影响 [1]

因为我们测量的是平面,即零频项信息,其是不包含梯度的,该项的变化不会引起反射光线角度的变化。

  • 对系统随机误差不敏感,因为积分的累积效应,使得随机噪声在积分过程中被很大程度抑制。
  • 获得更准确的曲率信息:
    • 计算曲率是检测面形缺陷的重要手段,梯度测量法仅仅需要对获得的梯度求一阶导数就可以获得曲率;
    • 而直接的高度测量方法则要二阶导数才能获得曲率,计算二阶导数会丢失更多的信息,计算得到的曲率较为不准确;

但相比较来说,梯度测量方法也有以下缺陷:

  • 只能测量连续的镜平面;
  • 积分过程引入误差;

一句话概括,PMD相比较FFP精度更高,但是测量场景受限,只能测量连续的镜平面!

03 参考文献

[1] 基于光学三维成像的镜面物体表面质量检测方法研究 [博],吴雨祥

备注:作者也是我们「3D视觉从入门到精通」特邀嘉宾:一个超干货的3D视觉学习社区

本文仅做学术分享,如有侵权,请联系删文。

下载1

在「3D视觉工坊」公众号后台回复:3D视觉,即可下载 3D视觉相关资料干货,涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复:3D视觉github资源汇总,即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复:相机标定,即可下载独家相机标定学习课件与视频网址;后台回复:立体匹配,即可下载独家立体匹配学习课件与视频网址。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-01-06,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 3D视觉工坊 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
相位偏折术原理概述
相位偏折术是一个比较冷门的方向,主要用于测量镜面物体。一直以来,干涉法都是测量镜面最佳方法,精度可以达到波长的几百分之一,但是有一些局限性:
计算机视觉
2021/01/12
1.5K0
相位偏折术原理概述
激光频率梳 3D 轮廓测量 -- 平晶干涉法观察高精度平面度
平面度作为高精度光学元件和精密机械零件的关键指标,其测量精度直接影响系统性能。传统平晶干涉法虽能实现亚波长级平面度检测,但存在量程有限、三维信息缺失等不足。激光频率梳 3D 轮廓测量技术与平晶干涉法的融合,为高精度平面度观察提供了兼具纳米级精度与全场三维表征能力的新方案。
新启航光学频率梳
2025/09/10
2380
激光频率梳 3D 轮廓测量 -- 平晶干涉法观察高精度平面度
[新启航]激光频率梳 3D 轮廓测量 - 莫尔条纹光的工作原理及优缺点
在三维轮廓测量领域,激光频率梳结合莫尔条纹光的技术逐渐成为研究热点。该技术通过光场调控实现高精度三维形貌重构,在微纳制造、生物医学等领域展现出独特优势。深入理解其工作原理及性能特点,对推动该技术的工程应用具有重要意义。
新启航光学频率梳
2025/09/04
1700
[新启航]激光频率梳 3D 轮廓测量 - 莫尔条纹光的工作原理及优缺点
从 “必须喷粉” 到 “无粉测量”:激光三维扫描技术在高反光表面测量中的革命性突破
在精密制造、文化遗产保护等领域,高反光表面的三维测量一直是技术难题。传统激光三维扫描依赖喷粉增强漫反射,这种方式虽能获取数据,但会对被测物体造成不可逆损伤,限制了技术应用范围。近年来,随着光学技术与算法的革新,无粉测量技术实现突破,推动激光三维扫描迈向全新阶段。
用户11717022
2025/06/26
1510
从 “必须喷粉” 到 “无粉测量”:激光三维扫描技术在高反光表面测量中的革命性突破
3D成像方法 汇总(原理解析)— 双目视觉、激光三角、结构光、ToF、光场、全息
这里要介绍的是真正的3D成像,得到物体三维的图形,是立体的图像。而不是利用人眼视觉差异的特点,错误感知到的假三维信息。
3D视觉工坊
2021/05/18
5.3K0
3D成像方法 汇总(原理解析)— 双目视觉、激光三角、结构光、ToF、光场、全息
​使用端到端立体匹配网络进行单次 3D 形状测量,用于散斑投影轮廓测量
标题:Single-shot 3D shape measurement using an end-to-end stereo matching network for speckle projection profilometry
3D视觉工坊
2021/12/17
1.1K0
​使用端到端立体匹配网络进行单次 3D 形状测量,用于散斑投影轮廓测量
深度解析机器视觉四大光学成像方法
工业4.0时代,三维机器视觉备受关注,目前,三维机器视觉成像方法主要分为光学成像法和非光学成像法,这之中,光学成像法是市场主流。
一点人工一点智能
2023/03/17
1.4K0
深度解析机器视觉四大光学成像方法
Nature:手机1秒生成3D全息图;MIT团队新作,索尼投钱支持
然而,来自MIT的团队开发了一种新算法,不需要复杂仪器、也不需要等几个小时,生成这样一张全息图,只需要在智能手机上耗费不到1秒的时间。
3D视觉工坊
2021/03/19
8550
3D视觉技术在机器人抓取作业中的应用实例
摘要:近年来,机器人自动化领域越来越多地应用3D视觉技术对目标物体进行定位。本文主要研究3D视觉技术在机器人抓取作业中的应用,总结了3D视觉技术在识别、定位物体时面临的挑战,给出了抓取作业机器人3D视觉系统的设计方法,归纳了现有的3D表面成像方法和视觉处理算法,最后给出一个结合3D视觉技术对白色抽屉纸盒进行抓取分拣的实际应用案例。
小白学视觉
2019/11/14
3.6K0
非接触式激光三维扫描应对镜面反射表面的无喷粉测量方案:原理与创新
镜面反射表面的三维测量一直是光学检测领域的技术难点,传统激光扫描因镜面反射导致的光斑畸变、相位模糊等问题,常需依赖喷粉处理以改善漫反射特性,这对精密器件或文物保护等场景构成限制。本文提出一种融合相位偏折术、多角度偏振编码与结构光动态调制的无喷粉测量方案,通过光学原理创新与算法优化,实现镜面表面的高精度三维重建。
用户11717022
2025/06/24
1560
非接触式激光三维扫描应对镜面反射表面的无喷粉测量方案:原理与创新
为何激光三维扫描无需喷粉也能精准测量高反光物体?—— 基于光学抗反射技术的突破
在精密制造、文物保护等领域,高反光物体的三维测量长期依赖喷粉预处理,以增强表面漫反射特性辅助测量。然而,喷粉不仅会损伤被测物体,还会影响测量数据的原始性。随着光学抗反射技术的发展,激光三维扫描无需喷粉也能实现高反光物体的精准测量,为该领域带来新突破。
用户11717022
2025/06/27
960
为何激光三维扫描无需喷粉也能精准测量高反光物体?—— 基于光学抗反射技术的突破
个人如何更高效地学习3D视觉?
很多粉丝在公众号后台留言,不知如何入门3D视觉、3D领域的主线是什么,一些难点该如何解决,有哪些方法,导师新开的3D视觉方向无人指导等等。这些痛点,工坊的许多童鞋都踩过坑,也为大家提出了许多非常有价值的问题和解决思路,涵盖了计算机视觉与深度学习、点云处理、SLAM、三维重建、结构光、双目视觉、深度估计、3D检测、自动驾驶、多传感器融合等多个方向,超详细的问题和资料汇总请移步至【3D视觉从入门到精通知识星球】,一个有点干货的学习社区!
3D视觉工坊
2021/01/28
1.8K0
个人如何更高效地学习3D视觉?
3D相机的数据处理方式
在上一篇中,我们介绍了什么是3D相机。但是对于初次接触3D相机的同学,可能首先面临的问题是如何处理3D相机得到的数据。3D相机的数据分为两种方式:三维点云数据方式,二维数据方式。其中,三维数据保存的格式有csv,txt,ply,stl等。二维数据通常以二维图像的形式存在,其中保存Z方向的二维图像被称为深度图像。本篇主要介绍一下深度图像的生成与处理。
3D视觉工坊
2021/01/13
6320
3D相机的数据处理方式
端到端基于图像的伪激光雷达3D目标检测
标题:End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection
3D视觉工坊
2021/04/13
9780
端到端基于图像的伪激光雷达3D目标检测
基于双目视觉的树木高度测量方法研究
随着人工智能时代的到来,计算机视觉领域被广泛应用到各个行业中。同样的,人工智能改变着传统林业的研究方法,林业信息工程技术日渐成熟。针对传统树高测量方法中存在的结果准确性不高、操作困难、专业知识转化为规则困难等问题,采用了一种基于双目立体视觉理论计算树高的方法,实现了树木高度的无接触测量。以双目相机作为采集设备,基于MATLAB、VS2015开发平台,采用张正友单平面棋盘格相机标定方法进行单目标定和双目标定,从而获取双目相机2个镜头的参数。通过SGBM算法和BM算法立体匹配后获得视差深度图像,进而获取树木关键点的三维坐标信息并以此来计算树木高度。将深度学习与双目视觉相结合可以实现树木同时在二维和三维空间的信息提取。在VS2015上的试验结果表明,该方法操作相对简单,并且能够较为准确地测量树木高度,SGBM算法树高测量结果的相对误差范围为0.76%~3.93%,BM算法相对误差范围为0.29%~3.41%。结果表明:采用双目视觉技术测量树木高度可以满足林业工程中对于树高测量的精度需要。
Color Space
2022/05/26
2K0
基于双目视觉的树木高度测量方法研究
三维重建基础
三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程,把真实场景刻画成符合计算机逻辑表达的数学模型。这种模型可以对如文物保护、游戏开发、建筑设计、临床医学等研究起到辅助的作用。
流川疯
2022/05/10
9750
三维重建基础
三维重建技术综述
来源丨https://blog.csdn.net/qq_30815237/article/details/91897736
3D视觉工坊
2021/01/13
3.1K0
三维重建技术综述
激光三维扫描技术:无喷粉条件下高反光表面三维重建的光学原理与应用
高反光表面的三维重建是工业检测、文化遗产保护等领域的关键技术瓶颈。传统激光扫描依赖喷粉增强漫反射,但会对精密器件或文物造成不可逆损伤。本文通过融合结构光调制、偏振分析及多视角协同技术,构建无喷粉测量体系,突破高反光表面的测量限制,实现高精度三维建模。
用户11717022
2025/06/25
1630
激光三维扫描技术:无喷粉条件下高反光表面三维重建的光学原理与应用
智能手机双摄像头原理解析:RGB +Depth
用户1150922
2018/01/08
5.8K0
智能手机双摄像头原理解析:RGB +Depth
MonoRec:无需激光雷达,只需单个相机就可以实现三维场景的稠密重建
标题:MonoRec: Semi-Supervised Dense Reconstruction in Dynamic Environments from a Single Moving Camera
3D视觉工坊
2021/01/14
1.3K0
MonoRec:无需激光雷达,只需单个相机就可以实现三维场景的稠密重建
推荐阅读
相关推荐
相位偏折术原理概述
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档