4、校准算法入门：线性校准模型、三点校准法、最小二乘法拟合

触摸屏的校准，说白了就是解决一个数学问题：你点下去的那个物理坐标，和屏幕显示的逻辑坐标之间，到底差了多少？

我刚开始做触摸驱动的时候，总觉得校准不就是加减乘除嘛，有什么难的？结果第一次把触摸屏焊到嵌入式板子上，点左上角，光标却跑到了中间偏右的位置。嗯，那会儿我才意识到——没有校准，触摸就是废的。

这一章，我们就从最简单的线性模型讲起，再到经典的三点校准法，最后聊聊更精确的最小二乘法拟合。你不需要精通线性代数，但得理解背后的直觉。

4.1 线性校准模型：从“点歪了”到“点准了”

先问一个问题：为什么触摸屏需要校准？

因为物理层和逻辑层之间存在偏移、旋转、缩放。电阻屏的电压读数会漂，电容屏的感应矩阵也有公差。你想想看，一个 1024×600 的屏幕，触摸控制器读回来的原始坐标可能是 (512, 300)，但实际手指按下去的位置，对应的逻辑坐标可能是 (500, 290)。

这个映射关系，在大多数情况下是线性的。也就是说，我们可以用一个简单的公式来描述：

X_logic = a * X_raw + b * Y_raw + c
Y_logic = d * X_raw + e * Y_raw + f

这里 a, b, c, d, e, f 就是我们要找的校准参数。一旦确定了这六个参数，任何原始坐标都能被映射到正确的逻辑位置。

我个人习惯把这种模型叫做“六参数模型”。为什么是六个？因为二维平面上的仿射变换，正好有六个自由度——两个方向的平移、两个方向的缩放、一个旋转、一个剪切。你不需要记住这些术语，只需要知道：六个参数，足够描述大多数触摸屏的偏差。

4.2 三点校准法：最经典的工程实践

既然有六个未知数，那理论上我们只需要三个已知点就能解出来。为什么？因为每个点提供两个方程（X 和 Y），三个点就是六个方程，刚好解六个未知数。

这就是三点校准法的数学基础。我在项目中遇到过很多次，工程师为了省事只做两点校准，结果屏幕边缘的误差大到无法接受。三点校准，是性价比最高的方案。

4.2.1 校准步骤

1. 在屏幕上显示三个校准点——通常选在左上、右下、中间，或者左上、右上、左下。
2. 用户依次点击这三个点，系统记录下每次点击的原始物理坐标 (X_raw, Y_raw)。
3. 已知这三个点的逻辑坐标（比如 (50, 50), (974, 550), (512, 300)）。
4. 代入线性方程组，求解六个参数。

具体怎么解？我们来看一个简化版的 Python 实现：

import numpy as np

def three_point_calibration(raw_points, logic_points):
    """
    raw_points: 三个原始坐标点，格式 [(x1,y1), (x2,y2), (x3,y3)]
    logic_points: 对应的三个逻辑坐标点，格式 [(x1,y1), (x2,y2), (x3,y3)]
    返回校准参数 [a, b, c, d, e, f]
    """
    # 构建矩阵 A (6x6)
    A = []
    B = []
    for (rx, ry), (lx, ly) in zip(raw_points, logic_points):
        A.append([rx, ry, 1, 0, 0, 0])
        A.append([0, 0, 0, rx, ry, 1])
        B.append(lx)
        B.append(ly)
    
    A = np.array(A, dtype=float)
    B = np.array(B, dtype=float)
    
    # 解线性方程组 A * params = B
    params = np.linalg.solve(A, B)
    return params.tolist()

# 示例用法
raw = [(100, 100), (900, 100), (500, 500)]
logic = [(50, 50), (970, 50), (512, 300)]
params = three_point_calibration(raw, logic)
print(f"校准参数: {params}")

4.2.2 三点校准的局限性

三点校准虽然简单，但它有一个隐含假设：用户点击的误差为零。你想想看，这现实吗？手指按下去的时候，总会有几像素的抖动。如果只用三个点，任何一个点的点击误差都会直接污染全部六个参数。

我曾经在一个量产项目中吃过这个亏——产线上用三点校准，结果 10% 的机器校准后边缘误差超过 5 个像素。排查了半天，发现是操作员点击校准点时手抖了一下。从那以后，我对三点校准的态度就是：快速验证可以用，量产慎用。

4.3 最小二乘法拟合：用冗余数据换精度

既然三个点不够稳，那我们就用更多的点。比如五个点、九个点，甚至十六个点。每个点都提供一组方程，但点多了，方程组就变成超定的了——方程数多于未知数。

超定方程组没有精确解，但我们可以找一个误差最小的近似解。这就是最小二乘法干的事。

4.3.1 数学直觉

最小二乘法的核心思想很简单：让所有校准点的预测误差的平方和最小。

假设我们有 N 个校准点（N > 3），每个点都有一个预测坐标和实际坐标。我们定义误差为：

error = Σ (预测X - 实际X)² + Σ (预测Y - 实际Y)²

然后我们调整六个参数，让这个 error 尽可能小。数学上，这可以通过正规方程或奇异值分解来求解。

4.3.2 Python 实现

import numpy as np

def least_squares_calibration(raw_points, logic_points):
    """
    使用最小二乘法求解校准参数
    raw_points: N个原始坐标点，格式 [(x1,y1), ..., (xN,yN)]
    logic_points: N个对应的逻辑坐标点
    """
    N = len(raw_points)
    # 构建矩阵 A (2N x 6)
    A = np.zeros((2*N, 6))
    B = np.zeros(2*N)
    
    for i, (rx, ry), (lx, ly) in enumerate(zip(raw_points, logic_points)):
        A[2*i]   = [rx, ry, 1, 0, 0, 0]
        A[2*i+1] = [0, 0, 0, rx, ry, 1]
        B[2*i]   = lx
        B[2*i+1] = ly
    
    # 使用最小二乘法求解 (A^T * A) * params = A^T * B
    params, residuals, rank, s = np.linalg.lstsq(A, B, rcond=None)
    return params.tolist()

# 示例：使用9个校准点
raw_9 = [(50,50), (512,50), (974,50),
         (50,300), (512,300), (974,300),
         (50,550), (512,550), (974,550)]
logic_9 = [(50,50), (512,50), (974,50),
           (50,300), (512,300), (974,300),
           (50,550), (512,550), (974,550)]
params_ls = least_squares_calibration(raw_9, logic_9)
print(f"最小二乘校准参数: {params_ls}")

4.4 三种方法对比

我把这三种方法放在一起对比一下，方便你根据实际场景选择：

方法	所需点数	精度	抗干扰能力	计算复杂度	适用场景
线性模型（理论）	至少 3 点	取决于点分布	低	低	数学推导
三点校准法	3 点	中等	低（单点误差影响大）	极低	快速验证、原型调试
最小二乘法	≥ 4 点（推荐 9 点）	高	高（多点平均抵消误差）	中等	量产校准、高精度设备

我个人在量产项目中，几乎只用最小二乘法。虽然计算参数时多花几毫秒，但换来的是整批产品的一致性。三点校准更适合你在开发板上快速验证触摸是否能用。

4.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了：