4、图像采集质量：光照条件、对焦精度、传感器噪声、镜头畸变控制

图像调优这件事，很多人一上来就扑向算法参数。但我个人的习惯是——先看采集端。源头脏了，后面再怎么洗也洗不干净。这章我们就聊聊采集质量的四个核心维度：光照、对焦、噪声、畸变。

4.1 光照条件：一切质量的起点

光照不足，信噪比就崩。光照过强，高光溢出。光照不均匀，后续的白平衡和曝光补偿全得跟着跑偏。

我在项目中遇到过最典型的场景：一个安防摄像头，白天效果完美，一到黄昏就满屏噪点。查了半天，发现是自动增益（AGC）被拉到了 48dB 以上。说白了，硬件在拼命补光，但补的是噪声。

光照质量的关键指标

4.2 对焦精度：清晰度的最后一道防线

对焦不准，再好的传感器也白搭。你想想看，一个边缘模糊的图像，锐化算法再怎么拉，也只是把模糊的边缘变得更刺眼，不会变清晰。

我曾经调试过一款工业扫码相机，客户投诉读码率低。我拿到原始图像一看，对焦环偏了大约 0.3mm。嗯，就这么点偏差，条码边缘的调制传递函数（MTF）从 0.6 掉到了 0.3。调回来之后，读码率直接从 85% 跳到 99.5%。

对焦质量评估方法

1. MTF 测试：使用西门子星图或斜边卡，测量 10 lp/mm 和 30 lp/mm 处的 MTF 值。理想值 > 0.5。
2. 边缘响应宽度：测量黑白过渡带的 10%-90% 宽度。理想值 < 2 个像素。
3. 对比度检测：计算 ROI 内的拉普拉斯方差。数值越大，对焦越准。

4.3 传感器噪声：隐藏在暗处的敌人

噪声这东西，你平时可能注意不到。但只要一放大、一调色、一压缩，它就全冒出来了。传感器噪声主要分三类：

我个人最头疼的是固定模式噪声（FPN）。因为它不是随机噪点，而是像网格一样固定在那里。人眼对这种规律性噪声特别敏感，一旦出现，画面就像蒙了一层纱。

4.4 镜头畸变：几何世界的扭曲

畸变是镜头天生的物理缺陷。广角镜头尤其明显。你拍一条直线，它变成了一条弧线。这在人脸识别、文档扫描、测量类应用中，是致命的。

畸变主要分两种：

• 桶形畸变：画面中心向外膨胀，常见于广角端。
• 枕形畸变：画面四角向内收缩，常见于长焦端。

我记得有一次调试车载环视系统，四个鱼眼镜头拼接出来的地面标线全是弯的。查了半天，发现每个镜头的畸变参数都不一样，但固件里只写了一套参数。说白了，量产镜头之间的个体差异被忽略了。

畸变校正流程

1. 标定：用棋盘格拍摄 10-20 张不同角度的图像。
2. 提取角点：使用 OpenCV 的 findChessboardCorners。
3. 计算内参和畸变系数：调用 calibrateCamera，得到 k1, k2, p1, p2, k3。
4. 生成校正映射：使用 initUndistortRectifyMap 生成 x/y 映射表。
5. 重映射：用 remap 对每一帧做插值校正。

// 畸变校正核心代码片段（C++ / OpenCV）
cv::Mat cameraMatrix, distCoeffs;
cv::Size imageSize;

// 从标定结果加载内参和畸变系数
// cameraMatrix = [fx, 0, cx; 0, fy, cy; 0, 0, 1]
// distCoeffs = [k1, k2, p1, p2, k3]

cv::Mat map1, map2;
cv::initUndistortRectifyMap(
    cameraMatrix, distCoeffs, cv::Mat(),
    cv::getOptimalNewCameraMatrix(cameraMatrix, distCoeffs, imageSize, 1.0),
    imageSize, CV_32FC1, map1, map2
);

// 对每一帧做校正
cv::Mat frame, corrected;
cv::remap(frame, corrected, map1, map2, cv::INTER_LINEAR);

4.5 知识体系总览

下面这张图把这四个维度的关系串起来了。你可以把它当作采集质量检查的路线图。

4.6 采集质量检查清单

每次搭建采集环境，我都会过一遍这个清单。你可以直接拿去用：

• 光照：照度是否在 100-1000 Lux？色温是否稳定？有无频闪？
• 对焦：MTF 是否 > 0.5？边缘响应宽度是否 < 2 像素？
• 噪声：暗场噪声是否 < 2 LSB？FPN 是否已做校正？
• 畸变：是否做过标定？畸变系数是否针对单个镜头？