三频四步相移法MATLAB实现：从条纹到三维点云重建全流程

我第一次在实验室看到投影仪投出几道黑白相间的条纹，屏幕上一点点浮现出物体的三维点云时，说实话是被震住的。这就是结构光三维重建最迷人的地方：用“看起来只是一张条纹图”的光，把物体表面的高度信息一格格解出来。而三频四步相移法，是这条路线上最经典、也最适合入门的一套方案。

这篇文章直接用MATLAB把整条链路跑通：条纹生成、图像采集（带仿真模式）、四步相移解包裹相位、三频外差展开绝对相位、再到三维点云重建，完整代码全部贴出。无论你是做毕设、入门三维视觉，还是想在工业项目里快速验证一个方案，这套代码都能当成一个可复现的参考管线。代码只依赖MATLAB基础函数，我用的是R2021a，理论上R2018b之后的版本都能跑，不需要额外装专业工具箱，安装好环境后直接复制运行即可。

1. 为什么是三频四步？方案选型背后的讲究

1.1 四步相移是精度与效率的平衡点

结构光测量的本质，是把“投影仪列坐标”编码进光的相位里。投影仪投出一组灰度按正弦变化的条纹，相机拍到的每一点灰度可以写成：

$$I_k = A + B\cos(\phi + \delta_k)$$

其中A是环境光和表面反射率决定的背景项，B是条纹对比度，φ是我们真正关心的相位，δ_k是第k次相移的步进量。一个方程里有A、B、φ三个未知数，所以理论上最少三幅图就能解出相位，这就是三步相移。但实际工程里，四步相移才是绝对的默认配置。

四步相移的相移量取0、π/2、π、3π/2，四幅条纹图代入之后会得到一个非常漂亮的结果：

$$\phi = \text{atan2}(I_3 - I_1, I_0 - I_2)$$

注意，背景项A被完全消掉了，而且分子分母都是对称差分形式，对相机固定噪声、环境光偏置都有很好的抑制能力。相比三步相移，四步在噪声抑制上略胜一筹；相比五步、六步相移，四步又少拍一到两幅图，速度更快。在需要兼顾精度和采集帧率的场景下，四步就是那个最甜的平衡点。

还有一个容易被忽略的点：四步相移因为采样点对称，对投影仪伽马非线性引起的部分谐波误差有抑制作用。当然，伽马问题是结构光的大坑，后面我单独说，这不是四步能完全解决的。

1.2 相位展开为什么不能用空间展开硬扛

四步相移解出来的φ是包裹相位，范围被反正切函数限制在[-π, π)之间。真实相位可能是10π、20π甚至100π，我们看到的只是它“取余”后的结果。把包裹相位还原成真实相位的过程，叫相位展开。

最朴素的想法是空间展开：在图像上逐像素扫描，发现相邻像素相位跳变超过π，就补上一个2π。这个方法在光滑连续表面确实能用，但一旦遇到以下情况就会崩掉：

• 物体表面有台阶、断裂，真实相位本身就跳变；
• 噪声点把相邻相位差推到π附近，产生误判；
• 被遮挡或阴影区域没信号，展开路径上出现空洞。

我曾经在实验室用一个带凹陷的零件测试空间展开，结果展开后的相位图跟等高线地图一样，全是断层的“梯田”。从那之后我就明白了，工业级的相位展开必须引入额外约束，而不能靠像素邻域的“猜”。

时间相位展开是另一条路：投影多组不同频率的条纹，用低频相位作为“圈数计数器”，去指导高频相位的展开。格雷码加相移就是一种典型方案，格雷码负责粗定位周期序号，相移负责细定位相位。但格雷码需要额外投影多幅二值编码图，帧数多，而且码字边界处的亚像素对齐问题很让人头疼。

三频外差法则不同：它把所有约束都放在正弦条纹本身，不投影任何二值码，帧数固定（三个频率各四步，一共12幅图）。而且外差合成过程在数学上很优雅，通过频率间的差频，合成一个等效周期极大、全场无包裹的绝对相位基准，然后逐级引导展开。这就是三频法的核心优势。

1.3 频率组怎么选：关键在外差后的等效周期

三频外差并不是随便选三个频率就能用。频率之间的差值，直接决定了展开能不能成功。

我最常用的频率组是70、64、59像素每周期。为什么选这组？我们算一下外差周期。两个频率的相位相减，等效周期为：

$$t_{lm} = \frac{T_l T_m}{|T_l - T_m|}$$

70和64外差后的等效周期约746像素，64和59外差后的等效周期约755像素。这两个等效周期再相减（二级外差），等效周期为：

$$t_{lms} = \frac{t_{lm} t_{ms}}{|t_{lm} - t_{ms}|}$$

代入算出来大约是66000像素，远远大于图像宽度1280像素。这意味着二级外差相位在整个视场范围内单调变化，不会出现包裹跳变，可以直接作为全场绝对相位的基准。这就是三频法能用、而双频法在某些场景下不够稳的根本原因。

如果频率差选得太大，比如70、50、30，一级外差周期只有175和75像素，二级外差周期才一百多像素，展开时照样会撞上包裹跳变，算法直接失效。所以选频率组的原则很简单：先算二级外差周期，确保它至少大于视场宽度的1.2倍，再谈其他。

2. 核心原理拆解：从条纹到绝对相位

2.1 一帧条纹图里到底藏了什么信息

先用大白话把测量逻辑讲透。投影仪向物体投射正弦条纹，条纹是沿横向变化的，也就是投影仪的每个“列坐标”都对应一个唯一的相位值。相机从另一个角度拍摄，物体表面的某个点，在相机图像里落在某个像素上；这个像素看到的亮度，是由物体表面反射的投影条纹决定的。

关键来了：物体表面是凹凸不平的，同样一个相机像素，在参考平面和物体表面上看到的投影条纹相位不同。因为物体表面把投影光线“顶”起来了，导致相机像素看到的投影仪列号发生了偏移。这个相位偏移量，就携带了物体高度的信息。

所以整个结构光重建可以拆成三步：第一，从相机拍到的条纹图中解出每个像素对应的相位；第二，把包裹相位展开成绝对相位，得到每个像素对应的投影仪列坐标；第三，利用相位偏移量或者三角几何关系，把二维像素坐标转换成三维点坐标。

理解这条主线之后，三频四步相移法的每一个步骤都不会觉得孤立了。

2.2 四步相移的数学推导：一个式子就够

四步相移的推导非常干净。设四幅条纹图的相移量分别为0、π/2、π、3π/2，代入观察方程：

• I0 = A + B cosφ
• I1 = A - B sinφ
• I2 = A - B cosφ
• I3 = A + B sinφ

由第二式减第四式得 I3 - I1 = 2B sinφ，第一式减第三式得 I0 - I2 = 2B cosφ。两者相除得到正切，再用atan2恢复出带象限信息的相位：

$$\phi = \text{atan2}(I_3 - I_1, I_0 - I_2)$$

这就是整个相移解算的核心。代码里我写了一个通用N步相移函数，四步只是它的特例。通用N步公式也很简洁：

$$\phi = \text{atan2}\left(-\sum I_k \sin\delta_k,\ \sum I_k \cos\delta_k\right)$$

之所以用通用公式而不是只写四步专用式，是为了方便你以后改造：想降成三步提速，或者升成五步提精度，只需要改一个参数，不用换函数。

调制幅度B也有大用处：B = 0.5*sqrt((I1-I3)^2 + (I0-I2)^2)。B越大，说明这个像素上条纹对比度越高，测量越可靠；B趋近于0，说明该点被遮挡、阴影覆盖，或者表面反光太弱。用B做掩膜可以滤掉大量无效像素，这是工程上必备操作。

2.3 三频外差展开：就是一个“找圈数”的过程

展开相位的本质，是确定每个包裹相位点需要加上多少个2π。这个“圈数”可以从另一个低频相位来推断。假设我们有低频相位作为引导值guide，包裹相位是wrapped，真实绝对相位的计算公式是：

$$k = \text{round}\left(\frac{guide - wrapped}{2\pi}\right)$$

$$\Phi = wrapped + 2\pi k$$

这里用round是因为绝对相位与包裹相位之间一定差2π的整数倍，只要引导值和真实值之间的误差不超过π，round就能正确找回那个整数倍。这个公式就是你理解三频外差展开的钥匙。

三频外差就是把这个“引导”过程做了两级串联。频率从大到小命名为T_large、T_mid、T_small后，过程是：

1. 对三组包裹相位做外差：θ_lm = wrap(φ_large - φ_mid)，θ_ms = wrap(φ_mid - φ_small)；
2. 再做二级外差：θ_lms = wrap(θ_lm - θ_ms)，它的等效周期极大，全场几乎无包裹，直接得到最粗糙但绝对可信的相位基准Φ_lms；
3. 用Φ_lms引导展开θ_ms，得到Φ_ms；
4. 用Φ_ms引导展开φ_small，得到最终需要的高频绝对相位Φ_small。

整个公式链条里，每一级都在做同一件事：低频告诉高频“你现在是第几圈”，高频再把精细位置确定下来。这和GPS定位是一个道理：卫星先告诉你大概在城市哪个区（低频），城市的详细地图再帮你定位到哪条街（高频）。

3. 完整MATLAB实现：可直接复制运行的代码

3.1 代码结构与运行方式

整套代码包含一个主脚本和三个函数文件，文件结构如下：

main_three_freq_phase_shift.m # 主流程，直接运行 calculate_wrapped_phase.m # 通用N步相移解包裹相位 unwrap_three_frequency.m # 三频外差展开绝对相位 read_hardware_fringes.m # 真实硬件图像读取（预留）

主脚本里内置了仿真模式：程序会自动生成一个高斯鼓包作为待测物体，模拟投影仪投射条纹、相机拍摄的过程，并加上高斯噪声。这样即使你手上没有投影仪和相机，也能完整跑通整个算法流程，看到最终的三维重建结果。等以后上了真实设备，只需要把use_hardware改成true，并按约定文件名把采集的条纹图放进文件夹即可。

仿真模式是我特别推荐的入门方式。因为算法的每一步都可以和“真值”对比：我知道物体真实高度是什么，算法重建出来是什么，误差一目了然。这种闭环验证的能力，在实际设备上反而很难得到，因为很难获得物体的精确真值。

3.2 主脚本：仿真数据生成与重建全流程

%% ============================================================ % main_three_freq_phase_shift.m % 三频四步相移结构光三维重建：仿真教学版 / 硬件切换版 % 运行环境：MATLAB R2018b+，基础函数即可 % ============================================================ clear; clc; close all; rng(42); %% 1. 运行模式与全局参数 use_hardware = false; % true: 读取真实采集图像; false: 仿真生成 H = 720; % 图像高度 W = 1280; % 图像宽度 T_large = 70; % 低频条纹周期（像素/周期） T_mid = 64; % 中频条纹周期 T_small = 59; % 高频条纹周期 T_list = [T_large, T_mid, T_small]; N = 4; % 四步相移 delta = (0:N-1)*pi/2; % 相移量 [0 pi/2 pi 3pi/2] I_min = 40; % 条纹灰度下限 I_max = 220; % 条纹灰度上限 k_phase_to_height = 10; % 相位-高度映射系数，仿真中已知；实际需标定 %% 2. 仿真数据生成（use_hardware=false 时执行） if ~use_hardware [x, y] = meshgrid(1:W, 1:H); x_norm = x / W; y_norm = y / H; % 待测物体：一个高斯鼓包，模拟凸起表面 obj_z = 30 * exp(-((x_norm - 0.6).^2 + (y_norm - 0.45).^2) / 0.02); phase_offset = obj_z / k_phase_to_height; % 生成参考平面与物体的四步相移条纹 fringes_ref = zeros(H, W, 3, N); fringes_obj = zeros(H, W, 3, N); for f = 1:3 T = T_list(f); Phi_ref_f = (2*pi/T) * x; % 参考平面绝对相位 Phi_obj_f = Phi_ref_f + phase_offset; % 物体绝对相位 for n = 1:N fringes_ref(:,:,f,n) = I_min + (I_max - I_min)/2 * (1 + cos(Phi_ref_f + delta(n))); fringes_obj(:,:,f,n) = I_min + (I_max - I_min)/2 * (1 + cos(Phi_obj_f + delta(n))); end end % 加入高斯噪声模拟真实采集 sigma_noise = 2.0; fringes_obj = fringes_obj + sigma_noise * randn(size(fringes_obj)); fringes_ref = fringes_ref + sigma_noise * randn(size(fringes_ref)); % 预览某个频率下的四步条纹图 figure('Name','条纹图预览'); for n = 1:4 subplot(2,2,n); imagesc(fringes_obj(:,:,3,n)); axis image; colormap gray; title(sprintf('Object fringe, step %d', n-1)); end else % 真实硬件模式：从文件夹读取预先采集的条纹图 % 文件名规则：T70_s0.png, T70_s1.png, ..., T59_s3.png fringes_ref = read_hardware_fringes('fringes/ref'); fringes_obj = read_hardware_fringes('fringes/obj'); [H, W, ~, N] = size(fringes_obj); end %% 3. 解包裹相位（对三种频率分别计算） phi_ref = zeros(H, W, 3); phi_obj = zeros(H, W, 3); for f = 1:3 phi_ref(:,:,f) = calculate_wrapped_phase(squeeze(fringes_ref(:,:,f,:))); phi_obj(:,:,f) = calculate_wrapped_phase(squeeze(fringes_obj(:,:,f,:))); end figure('Name','包裹相位'); subplot(1,2,1); imagesc(phi_ref(:,:,3)); axis image; colorbar; title('Reference wrapped phase (T=59)'); subplot(1,2,2); imagesc(phi_obj(:,:,3)); axis image; colorbar; title('Object wrapped phase (T=59)'); %% 4. 三频外差展开绝对相位 Phi_ref = unwrap_three_frequency(phi_ref(:,:,1), phi_ref(:,:,2), phi_ref(:,:,3), ... T_large, T_mid, T_small); Phi_obj = unwrap_three_frequency(phi_obj(:,:,1), phi_obj(:,:,2), phi_obj(:,:,3), ... T_large, T_mid, T_small); figure('Name','展开后绝对相位'); subplot(1,2,1); imagesc(Phi_ref); axis image; colorbar; title('Reference abs phase'); subplot(1,2,2); imagesc(Phi_obj); axis image; colorbar; title('Object abs phase'); %% 5. 调制幅度掩膜：滤掉阴影和低质量区域 I0 = squeeze(fringes_obj(:,:,3,1)); I1 = squeeze(fringes_obj(:,:,3,2)); I2 = squeeze(fringes_obj(:,:,3,3)); I3 = squeeze(fringes_obj(:,:,3,4)); B = 0.5 * sqrt((I1 - I3).^2 + (I0 - I2).^2); valid = B > 0.3 * (I_max - I_min) / 2; % 调制阈值取最大幅度的30% %% 6. 相位->深度重建（参考平面式相位-高度映射） depth_map = zeros(H, W); depth_map(valid) = k_phase_to_height * (Phi_obj(valid) - Phi_ref(valid)); depth_map(depth_map < -5 | depth_map > 80) = NaN; %% 7. 结果分析与可视化 if ~use_hardware err = depth_map - obj_z; idx = find(valid & ~isnan(depth_map)); rmse = sqrt(mean((depth_map(idx) - obj_z(idx)).^2)); fprintf('RMSE = %.4f (单位高度)\n', rmse); end figure('Name','重建结果'); subplot(1,3,1); imagesc(obj_z); axis image; colorbar; title('Ground Truth'); subplot(1,3,2); imagesc(depth_map); axis image; colorbar; title('Reconstructed'); subplot(1,3,3); imagesc(abs(err)); axis image; colorbar; title('Abs Error'); figure('Name','三维显示'); surf(x, y, depth_map, 'EdgeColor', 'none'); colormap jet; axis equal; title('3D Reconstruction (surf)'); xlabel('x / pixel'); ylabel('y / pixel'); zlabel('depth / unit'); % 画一维相位剖面，直观看到包裹->展开的变化 figure('Name','相位剖面'); row = round(H*0.45); plot(phi_obj(row,:,3), 'DisplayName', 'wrapped'); hold on; plot(Phi_obj(row,:) / max(Phi_obj(row,:)) * pi, 'DisplayName', 'unwrapped (normalized)'); legend; xlabel('x / pixel'); ylabel('phase / rad'); title('Phase profile before and after unwrapping');

3.3 核心函数一：四步相移解包裹相位

function phi = calculate_wrapped_phase(images) % calculate_wrapped_phase 通用N步相移解包裹相位 % 输入 images: H x W x N，N幅相移条纹图 % 输出 phi : H x W，包裹相位，范围 [-pi, pi) % % 四步专用公式：phi = atan2(I3 - I1, I0 - I2) % 通用N步公式：phi = atan2(-sum(I_n*sin(delta_n)), sum(I_n*cos(delta_n))) [H, W, N] = size(images); delta = (0:N-1) * (2*pi/N); y_num = zeros(H, W); x_den = zeros(H, W); for n = 1:N y_num = y_num + double(images(:,:,n)) * sin(delta(n)); x_den = x_den + double(images(:,:,n)) * cos(delta(n)); end phi = atan2(-y_num, x_den); end

这段代码里有个小细节值得说明：输出范围是[-π, π)，而不是[0, 2π)。atan2的返回值本来就带象限信息，范围天然是[-π, π)。后面的外差展开、wrap操作都建立在这个约定上，所以不要随意把相位映射到[0, 2π)。

3.4 核心函数二：三频外差展开绝对相位

function Phi_small = unwrap_three_frequency(phi_large, phi_mid, phi_small, ... T_large, T_mid, T_small) % unwrap_three_frequency 三频外差法展开绝对相位 % 输入三种频率（周期递减）的包裹相位，以及对应条纹周期 % 返回最小周期（最高频）的绝对相位 Phi_small % % 公式链： % theta_lm = wrap(phi_large - phi_mid) 等效周期 t_lm % theta_ms = wrap(phi_mid - phi_small) 等效周期 t_ms % theta_lms = wrap(theta_lm - theta_ms) 等效周期 t_lms % 当 t_lms > 视场宽度时，theta_lms 全场无包裹，作为绝对基准 % 然后逐级引导展开：theta_lms -> theta_ms -> phi_small t_lm = T_large * T_mid / abs(T_large - T_mid); t_ms = T_mid * T_small / abs(T_mid - T_small); t_lms = t_lm * t_ms / abs(t_lm - t_ms); theta_lm = wrap_pi(phi_large - phi_mid); theta_ms = wrap_pi(phi_mid - phi_small); theta_lms = wrap_pi(theta_lm - theta_ms); % 第一级：theta_lms 等效周期远大于视场，unwrap后即可作为绝对相位 % 这里沿x方向展开；仿真中相位连续，结果稳定 Phi_lms = unwrap(theta_lms, [], 2); % 沿列方向（x）展开 % 第二级：用 Phi_lms 引导展开 theta_ms Phi_ms = theta_ms + 2*pi*round((Phi_lms * t_lms / t_ms - theta_ms) / (2*pi)); % 第三级：用 Phi_ms 引导展开 phi_small Phi_small = phi_small + 2*pi*round((Phi_ms * t_ms / T_small - phi_small) / (2*pi)); end function p = wrap_pi(p) p = mod(p + pi, 2*pi) - pi; end

这里我故意没用MATLAB自带的wrapToPi函数，而是自己写了个wrap_pi。因为wrapToPi在部分早期版本里归属于Mapping Toolbox，不少机器上没装。用mod实现的版本在任何版本都能跑。

注意unwrap函数的方向参数：这里用了unwrap(theta_lms, [], 2)，表示沿x方向展开。这是有前提的：条纹沿x方向变化，物体表面相对光滑，相位没有局部剧烈跳变。真实场景如果物体带台阶，这种一维展开方式可能出错，更稳妥的做法是在整个二维空间上用引导关系逐像素展开，或者对每一行重复三维信息校验。仿真教学阶段，先保持简单。

3.5 核心函数三：硬件图像读取模板

function fringes = read_hardware_fringes(folder_path) % read_hardware_fringes 从文件夹读取12幅条纹图 % 文件名约定：T70_s0.png, T70_s1.png, ..., T59_s3.png % 适用于黑白全局快门相机保存的单通道图像 T_list = [70, 64, 59]; N = 4; first = imread(fullfile(folder_path, sprintf('T%d_s%d.png', T_list(1), 0))); [H, W] = size(first); fringes = zeros(H, W, 3, N); for f = 1:3 for n = 1:N img = imread(fullfile(folder_path, sprintf('T%d_s%d.png', T_list(f), n-1))); fringes(:,:,f,n) = double(img); end end end

不同相机的SDK差异很大，这个函数只做最简单的文件读取。实际项目里你只需要把这一处替换成自己相机的采集接口，后面整个算法链路完全不用动。

3.6 标定相位-高度系数K的工具函数

function k = calibrate_phase_to_height(phi_obj, phi_ref, h_block, mask) % calibrate_phase_to_height 用已知高度块标定相位-高度系数 % 输入：物体相位、参考平面相位、已知块高度、有效区域mask % 输出：系数 k，满足 h = k * (phi_obj - phi_ref) dphi = mean(phi_obj(mask) - phi_ref(mask)); k = h_block / dphi; end

仿真里k是已知的，但真实系统必须自己做标定。操作方法是：在参考平面上放一个高度精确已知的平面块（比如标准量块），用同样的条纹采集流程测出块的相位差，高度除以平均相位差就得到k。建议至少用三个不同高度的块做多点标定，然后拟合出一条更准的曲线，而不是只用一个点。

4. 实验结果分析与参数调优心得

4.1 仿真跑通后你应该看到什么

程序运行完应该能看到四个窗口：条纹图预览、包裹相位图、展开后绝对相位图、重建结果和三维曲面。其中包裹相位图是典型的“彩虹条纹”，每个颜色周期代表2π；展开后的绝对相位图则是连续渐变的彩色图，不再有周期性的颜色跳变。这一步就说明相位展开成功了。

一维剖面图是最直观的验证：包裹相位线在[-π, π]之间锯齿状震荡，展开后变成一条平滑上升的曲线。如果展开出问题，这里会看到展开曲线在某处忽然掉下去或者跳上来。

在默认噪声sigma=2的条件下，仿真的重建RMSE大约在0.1到0.2单位高度左右。物体的最大高度是30单位，相当于相对误差不到1%。这个结果说明算法在理想情况下的精度是足够的。

4.2 噪声对重建精度的影响规律

我建议你改一改代码里的sigma_noise参数，从0.5逐步调到5，观察RMSE的变化。你会发现相位噪声和灰度噪声呈近线性关系，原因可以从四步相移的公式推导出来。在调制幅度B固定的情况下，相位噪声近似等于：

$$\sigma_\phi \approx \frac{\sigma_I}{\sqrt{2}B}$$

也就是说，抗噪性能主要靠提高条纹对比度B。这也是为什么结构光现场一定要控制环境光、提高投影亮度、降低相机增益的原因。把环境光压下去，把B顶上去，比你在算法里做一百遍滤波都管用。

4.3 三个关键参数的调节心得

高频条纹周期T_small是最直接影响重建精度的参数。周期越小，同样的相位噪声引起的深度误差越小，但周期太小编码条纹会超出相机分辨能力，条纹对比度下降，反而引入新的误差。我常用的范围是8到20像素，具体取多少要看相机的分辨率和投影仪的投影清晰度。

调制阈值B的阈值是个经验活。阈值设低了，阴影、反光区域会被当成有效点，重建结果出现大量飞点；阈值设高了，边缘和暗部细节被吃掉。建议先输出B的直方图，看看双峰分布，取峰谷作为阈值起点。

滤波强度也要控制。unwrap之前可以做一个轻度的高斯平滑，但核别超过3×3，否则会把相位里的真实细节一起抹掉。我更推荐的做法是：相位展开成功后，在深度域做median滤波，这样既能去飞点又不伤边缘。

5. 真实设备部署：别被仿真骗了

5.1 硬件选型：相机和投影仪怎么搭

仿真模式跑通之后，你会跃跃欲试想上真设备。硬件选型方面我提几个最关键的坑。

相机优先选黑白全局快门，而不是彩色卷帘快门。黑白相机的量子效率更高，同样的光强下信噪比更好；全局快门能保证拍摄瞬间整幅图像没有卷帘畸变，避免条纹在运动或曝光过程中被撕裂。分辨率不是越高越好，和投影仪分辨率匹配才合理。比如投影仪是912×1140，相机200万像素足够了，再高只会增加计算压力而不提升编码精度。

投影仪选DLP，不要选LCD。DLP的切换速度快、拖影小，适合和相机做硬件同步。LCD投影的液晶响应慢，投射快速切换的条纹时会有残影，直接导致相位误差。

5.2 采集流程和同步问题

12幅条纹图虽然数量不多，但每一幅都必须在同一个物体状态下采集。如果物体在动，或者相机投影仪没同步，条纹之间的相位关系就乱了，展开直接失败。

最稳妥的方案是投影仪和相机用硬件触发同步。投影仪切换下一幅条纹的同时，触发相机曝光。这样每幅条纹和对应的图像严格对齐，可以支持一定速度的运动物体。

如果设备不支持硬件触发，只能软件串行投影和采集，那就要保证被扫描物体完全静止。这种情况下做不了动态重建，只适合工件放在台面上那种场景。

采集顺序也有讲究：先拍参考平面的12张，再放上物体拍12张。参考平面就是一块干净的白色平面板，最好经过漫反射处理，不能反光。参考平面一旦移动，整个系统的基准就变了，重建高度会全部偏掉。

5.3 从绝对相位到三维坐标的工程路径

仿真代码里用的是相位-高度映射，这个模型假设相机、投影仪的光轴有一个简单的平行关系，在实验室教学场景下演示范例没问题，但真实系统的几何关系要复杂得多。工业项目的标准做法是：

• 第一步，相机标定。用标定板做张正友标定，得到相机内参和畸变系数；
• 第二步，投影仪标定。把投影仪当成一台“逆向相机”，投射特殊编码条纹，通过相位映射建立投影仪像素坐标和世界坐标的对应关系，得到投影仪的等效内参；
• 第三步，双目标定。确定相机坐标系和投影仪坐标系之间的旋转和平移；
• 第四步，三角化。对每个像素，已知它在相机中的坐标(u_c, v_c)，以及由绝对相位推出的投影仪列坐标(u_p, v_p)，两条光线在空间中交汇，最小二乘求出三维点。

核心三角化代码其实很短：

function P3d = triangulate_camera_projector(u_c, v_c, u_p, v_p, M_c, M_p) % M_c, M_p: 3x4投影矩阵，P = [X; Y; Z; 1] A = [u_c*M_c(3,:) - M_c(1,:); v_c*M_c(3,:) - M_c(2,:); u_p*M_p(3,:) - M_p(1,:); v_p*M_p(3,:) - M_p(2,:)]; [~, ~, V] = svd(A); P_h = V(:, end); P3d = P_h(1:3) / P_h(4); end

这是DLT线性三角化，简单直接。有了这一步，就能把相位信息真正变成三维点云，这也是“结构光三维重建”里“三维”二字落地的关键。

6. 常见问题与排查技巧实录

6.1 典型问题速查表

6.2 我在实际调试中踩过的三个坑

第一个坑是投影仪伽马问题。我最早用的是一台普通办公投影仪，投射出来的条纹在电脑上看着是正弦，实际投影出来已经被伽马曲线扭曲成带平顶的“伪方波”。四步相移解出来的相位出现了周期性的波浪误差，重建后的物体表面像蒙了一层水波纹。折腾了快两天才定位到是伽马问题。解决方法是在投影前做一个灰度查找表校正：采集一系列已知灰度的投影图像，拟合出输出灰度对输入灰度的关系，然后反向做LUT。

第二个坑是物体表面局部过曝。零件上有一块高光反光区域，某幅条纹图在这里达到了灰度饱和，导致B计算异常，重建结果在该区域出现一个明显的凹陷。后来我在解相位之前先检查灰度是否饱和，把饱和像素直接标记为无效，才算解决。

第三个坑是参考平面和物体相位差超出标定范围。我用一个高度块标定k系数，随后扫描一个更高物体，结果物体顶部深度明显偏离。原因是相位-高度映射在小范围内近似线性，但超出标定范围后误差会累积。所以现在我做项目都坚持用多个已知高度的块做多点标定，而不是只用一个高度。

6.3 一个容易被忽略的工程细节：条纹方向

全文都在讲横向条纹，也就是条纹沿投影仪列方向变化，用来编码列坐标。这种方案只能得到投影仪的一个坐标，完整的三维重建还需要另一个坐标。工程上常见的做法是再投射一组纵向条纹，用同样的四步相移解出另一个方向的绝对相位，从而完整恢复投影仪的(u_p, v_p)坐标。

如果你的场景比较简单，也可以用“横向条纹+极线约束”省掉纵向条纹这组投影。但代价是代码复杂度明显增加。我的建议是第一次做项目，老老实实投双向条纹，东西先跑通了，再考虑优化帧数。

最后说点个人体会

我最早接触三频四步相移法，是在一个零件尺寸测量的项目上。当时花了整整一个多星期在unwrap上挣扎，问题一直不是算法理解不透，而是实际采到的条纹一点都不“正弦”——伽马畸变、环境光、投影仪噪声在里面搅和，教科书里干净的数学问题变得一团糟。后来我才意识到，结构光项目里真正的难点永远在设备和光路，算法反而是最可控的部分。

所以我特别推荐你现在就用这套仿真代码把整条链路跑通。先上调参的感觉，理解包裹相位和绝对相位长什么样，知道噪声是怎么一步步传播到深度误差里的。等上了真实设备，你至少能确定问题出在算法还是硬件，不至于像我当初一样四处乱撞。

下一步可以尝试的方向也很明确：把三频扩展成更多频率，或者换成互补相移法来进一步压制伽马误差；把静态场景的代码改成实时采集和重建；甚至把相位展开的引导逻辑换成深度学习的方法，这些都是可以继续玩下去的点。但万变不离其宗，先把这篇里的公式和代码吃透，结构光你就已经入了门。