1. 3D视觉测量概述
1.1 从2D到3D：为什么我们非做不可？
做机器视觉这些年，我越来越觉得——2D视觉就像用一只眼睛看世界。你想想看，一张平面图像能告诉你什么？位置、角度、有没有缺陷，这些确实够用。但一旦遇到高度、深度、立体形状，2D就彻底没辙了。
我记得刚入行那会儿，有个项目要测量手机中框的平面度。客户拿来的样品，用2D相机拍出来全是平的——因为从正上方看，所有点都在一个焦平面上。可实际上呢？中框边缘翘起了0.15mm。用千分表打点测，一个产品要花3分钟。后来换成3D线激光，3秒搞定。这就是从2D到3D最直接的驱动力。
从技术演进来看，3D视觉大致经历了三个阶段：
| 阶段 | 代表技术 | 典型应用 | 我的评价 |
|---|---|---|---|
| 1.0 接触式 | 三坐标测量机（CMM） | 精密模具检测 | 精度高，但慢，还怕划伤工件 |
| 2.0 结构光/双目 | 光栅投影、双目立体视觉 | 电子元件高度测量 | 速度快了，但对环境光敏感 |
| 3.0 线激光/ToF | 线激光轮廓仪、飞行时间相机 | 在线全检、AGV避障 | 现在的主流，Halcon支持得最好 |
说白了，3D视觉不是要取代2D，而是补上2D缺的那一维。我现在的习惯是：能2D解决的问题绝不用3D，但一旦涉及高度、平面度、体积、间隙面差——直接上3D，别犹豫。
1.2 3D测量的三个核心概念
刚接触3D视觉的人，经常被一堆术语搞晕。其实你只要抓住三个东西：点云、深度图、视差。这三者就是3D数据的三种“长相”。
1.2.1 点云（Point Cloud）
点云是什么？就是一堆三维点的集合。每个点有X、Y、Z三个坐标，有时候还带灰度值或RGB颜色。你可以把它想象成用激光扫描仪给物体“打点”，打出来的点密密麻麻，就构成了物体的表面形状。
我在项目中遇到过最头疼的事：点云数据量太大。一个手机中框扫下来，轻松上百万个点。直接处理？Halcon都能卡死。所以后来我养成了习惯——先降采样，再处理。
sample_object_model_3d 做均匀降采样，一般保留10%~20%的点就够了。别贪多，精度损失几乎看不出来。
1.2.2 深度图（Depth Map）
深度图本质上还是一张图像，但每个像素的值不再是灰度或RGB，而是该点到相机的距离（Z值）。你可以把它理解成一张“海拔图”——越亮的地方离相机越近，越暗的地方越远。
深度图的好处是：处理速度快，因为它是2D结构。坏处是：丢失了X、Y方向的精确信息。所以深度图适合做快速检测，比如有没有缺料、有没有凸起。但要做高精度测量，还是得回到点云。
1.2.3 视差（Disparity）
视差是双目立体视觉的核心概念。简单说：同一个物体点，在左右两个相机里成像位置不一样，这个位置的差值就是视差。视差越大，物体离相机越近；视差越小，物体越远。
为什么提这个？因为Halcon的3D重建算法，底层就是靠视差图来生成深度图，再转成点云的。你如果做双目立体视觉项目，视差图的质量直接决定了最终测量精度。
1.3 Halcon 3D模块：到底能干什么？
Halcon的3D模块，我用了快十年。说实话，它是我见过最完整的商业3D视觉库。别的工具要么只能读点云，要么只能做标定，Halcon是从采集到测量到输出，一条龙全包。
下面这张图是我自己整理的Halcon 3D模块知识体系，你一看就明白：
从这张图你能看到，Halcon 3D模块不是零散的几个算子，而是一套完整的数据处理流水线。我个人最常用的几个算子：
- 标定相关：
calibrate_cameras、set_calib_data_cam_param——这是3D测量的地基，地基不稳，后面全白搭 - 重建相关：
disparity_to_point_3d、xyz_to_object_model_3d——把视差图转成点云，核心中的核心 - 测量相关：
distance_from_plane、fit_primitive_object_model_3d——拟合平面、测量距离，实战最常用
hdevelop 里的3D示例跑一遍，尤其是 calibrate_hand_eye_stationary_model_3d.hdev 和 measure_plane_distance.hdev。跑通了，你就有感觉了。
1.4 本章小结：你该带走什么？
这一章我们聊了三个东西：
- 从2D到3D的演进——不是替代，是互补。遇到高度、平面度、体积问题，果断上3D。
- 三个核心概念——点云是“真3D”，深度图是“伪3D”，视差是“桥梁”。三者的关系要理清。
- Halcon 3D模块——从数据获取到结果输出，一条龙。标定是地基，重建是核心，测量是目的。