从原理到实践：使用C++与OpenCV实现光度立体视觉
1. 光度立体视觉的核心原理
想象一下你手里拿着一个哑光材质的金属零件，当你用手机闪光灯从不同角度照射它时，表面凹凸产生的明暗变化会形成独特的光影图案——这就是光度立体视觉（Photometric Stereo）的物理基础。与传统的双目立体视觉不同，这项技术只需要单个相机配合可控光源，就能通过光影变化反推出物体表面的三维形貌。
在实际工业检测中，我们通常会固定相机位置，用环形光源从4个以上不同方位（典型配置是8-12个光源）照射物体。每个光源位置对应两个关键参数：theta（光源与物体法线的夹角）和phi（光源在水平面的方位角）。当物体表面存在微小凹陷或凸起时，不同角度的光照会产生差异化的像素亮度，这些亮度变化与表面法向量存在确定的数学关系。
核心算法流程可以概括为三步：首先将球坐标系下的光源方向转换为笛卡尔坐标系的单位向量，然后构建包含所有光源方向的照明矩阵L，最后对每个像素点的亮度值集合求解线性方程组。这个过程中会同时输出三个关键结果：表面法向量图（Normal Map）、反射率图（Albedo）以及梯度图——它们分别对应着物体表面的几何特征、材质属性和高度变化率。
2. 工程实现的关键步骤
2.1 光照方向矩阵构建
在C++实现中，我们首先需要处理光源参数。假设我们使用8个均匀分布的光源，每个光源的theta=45度，phi按45度间隔递增（0°,45°,90°...315°）。这里有个容易踩坑的地方：三角函数计算必须考虑角度制转弧度制，否则会得到完全错误的方向向量：
std::vector<cv::Vec3f> xyz_vecs; for (int i = 0; i < phi.size(); i++) { cv::Vec3f direction; direction[0] = sin(theta[i] * CV_PI/180) * cos(phi[i] * CV_PI/180); direction[1] = sin(theta[i] * CV_PI/180) * sin(phi[i] * CV_PI/180); direction[2] = cos(theta[i] * CV_PI/180); xyz_vecs.push_back(direction); }构建照明矩阵L时要注意归一化处理。我曾在某次项目中忘记归一化，导致最终生成的法向量图出现严重畸变。正确的做法是对每个方向向量除以其模长：
cv::Mat L(light_count, 3, CV_32FC1); for (int i = 0; i < light_count; i++) { float norm = sqrt(xyz_vecs[i][0]*xyz_vecs[i][0] + xyz_vecs[i][1]*xyz_vecs[i][1] + xyz_vecs[i][2]*xyz_vecs[i][2]); L.at<float>(i,0) = xyz_vecs[i][0]/norm; L.at<float>(i,1) = xyz_vecs[i][1]/norm; L.at<float>(i,2) = xyz_vecs[i][2]/norm; }2.2 线性方程组求解
对于每个像素点，我们都有n个方程（n个光源）和3个未知数（法向量的x,y,z分量）。OpenCV的cv::solve函数提供了多种求解方式，实测发现DECOMP_SVD（奇异值分解）在存在噪声时表现最稳定：
cv::Mat I(light_count, 1, CV_32FC1); for (int i = 0; i < light_count; i++) { I.at<float>(i) = images[i].at<uchar>(y,x); } cv::Mat N; cv::solve(L, I, N, cv::DECOMP_SVD);这里有个重要细节：工业相机采集的图像通常是8位无符号整型(uchar)，需要先转换为32位浮点型(CV_32F)再进行计算，否则会损失精度。我曾用Halcon和OpenCV对比测试，发现忽略这个类型转换会导致法向量误差增大15%以上。
3. 结果可视化与优化技巧
3.1 法向量图的可视化处理
原始法向量图的每个通道值范围在[-1,1]之间，直接显示会呈现全黑状态。我们需要做两步处理：首先将值域映射到[0,255]，然后分离RGB通道：
cv::Mat normal_display; normal_img.convertTo(normal_display, CV_8UC3, 127.5, 127.5); std::vector<cv::Mat> channels; cv::split(normal_display, channels);在缺陷检测应用中，建议重点关注法向量的z分量（channels[2]），因为它直接反映表面是否垂直于视角方向。某次检测铝合金划痕时，我们发现z分量图对微小凹陷的灵敏度比传统灰度图高出3倍。
3.2 反射率图的实用价值
反射率图本质上消除了几何形状的影响，纯粹反映表面材质差异。在检测混料缺陷时特别有用——比如当塑料件中混入金属杂质时，反射率图会呈现明显的亮斑。这里有个优化点：Halcon默认使用L1范数计算反射率，而OpenCV的norm函数默认用L2范数。要使结果一致，需要显式指定：
reflectance_img.at<float>(y,x) = cv::norm(invert_L*I, cv::NORM_L1);4. 工业场景中的实战经验
4.1 光源配置的黄金法则
经过多个项目验证，我们发现光源数量与角度存在最佳平衡点：4光源方案计算最快但容易受噪声影响，16光源精度提升有限却显著增加计算量。对于大多数工业场景，8光源方案（theta=45°，phi均匀分布）性价比最高。特殊情况下，比如检测高反光金属件时，可以适当增大theta到60°以减少镜面反射干扰。
4.2 与Halcon的结果比对
当需要将算法移植到OpenCV时，建议先用Halcon生成基准结果。通过以下参数可以确保两者输出一致：
- 使用相同的theta/phi角度值
- 反射率计算采用L1范数
- 梯度图取消负号（Halcon的gradient_map默认不带负号）
某次在汽车零部件检测项目中，我们通过这种比对发现OpenCV版本在边缘处存在5%的偏差，最终排查出是图像预处理时没有完全复现Halcon的高斯滤波参数。