从泊松噪声到张正友标定：相机噪声模型与几何标定实战指南

1. 从一张“脏”图说起：为什么你的相机需要被“标定”

如果你拍过暗光照片，或者用工业相机做过测量，大概率遇到过两种让人头疼的情况：一是画面里莫名其妙的噪点，二是明明对着标定板拍，算出来的尺寸却总差那么一点。这两个问题，一个指向相机噪声模型，一个指向相机标定。它们看起来是两个独立的话题，但在计算成像的完整链路里，其实是同一件事的两面——你只有先把相机的噪声特性摸清楚，才知道标定结果的误差边界在哪里；也只有把相机的几何参数标定准了，噪声分析才有可靠的坐标基础。

这一讲我打算把这三块内容串起来讲：泊松噪声、光子转移曲线、张正友标定。前两个是噪声模型与标定的核心工具，第三个是几何标定的经典方法。不管你是做机器视觉、计算摄影，还是单纯想搞明白自己手里那台相机的极限在哪里，这套东西都用得上。我会尽量少堆公式，多讲“为什么这么做”和“实际怎么操作”，把我在实验室和项目里踩过的坑一并倒出来。

先给一个整体认知：相机的噪声不是单一来源，它至少包含光子到达的随机性（泊松噪声）、读出电路的电子噪声（高斯噪声）、以及固定模式噪声等。而光子转移曲线（Photon Transfer Curve，简称PTC）是一套通过改变曝光量、统计均值与方差关系，从而分离出增益、读出噪声、满阱容量等关键参数的方法。张正友标定则是用平面棋盘格，通过多视角拍摄求解相机内参和畸变系数。三者结合，你就能对一台相机的“几何精度”和“辐射精度”同时建立量化认识。

2. 泊松噪声：光子不是排队来的，是随机砸过来的

2.1 为什么噪声服从泊松分布

很多人第一次接触泊松噪声会疑惑：光不是连续的波吗，怎么变成一个个离散事件了？这里要回到光电转换的物理本质。光子打到传感器像素上，被光电二极管吸收后激发电子，这个过程是量子化的——一个光子最多激发一个电子（在理想情况下）。而光子到达像素的时间间隔是随机的，服从泊松过程。所以，在曝光时间T内，一个像素收集到的光电子数N，服从均值为λ的泊松分布：

P(N=k) = (λ^k * e^(-λ)) / k!

泊松分布有一个非常漂亮的性质：方差等于均值。也就是说，如果只考虑光子噪声，那么信号的标准差等于信号的平方根。这就是为什么暗光下噪点看起来像“颗粒”——信号越弱，相对波动越大。举个例子，信号是100个电子，噪声标准差约10个电子，信噪比约10；信号是10000个电子，噪声标准差约100个电子，信噪比约100。所以提高信噪比最直接的办法就是增加曝光量或增大像素面积。

但实际相机不止有光子噪声。读出电路会引入与信号无关的加性噪声，通常近似为高斯分布，标准差记为σ_read。此外还有暗电流噪声、量化噪声等。所以一个像素输出的总方差可以写成：

σ_total² = g * S + σ_read²

其中S是输出信号（单位通常是DN，数字量化值），g是转换增益（单位e-/DN），σ_read是读出噪声（单位e-）。这个式子就是光子转移曲线的理论基础。

2.2 泊松噪声在图像上的直观表现

你可以做一个小实验：把相机盖盖上，拍一张全黑图，再对着均匀光源拍一张中等亮度的图，分别统计同一区域的均值和方差。你会发现暗图的方差基本不随位置变化，接近读出噪声的平方；亮图的方差则随均值线性增长。这个线性关系的斜率就是1/g，截距就是σ_read²。这就是PTC方法的核心操作。

注意：统计方差时一定要选平坦区域，避开边缘、纹理和坏点。我一般会取图像中心200×200的方块，先做一次中值滤波剔除坏点，再计算均值和方差。

2.3 泊松噪声对计算成像的影响

在计算成像里，泊松噪声直接决定了你的重建算法能走多远。比如做单光子成像、压缩感知、或者低光增强，如果你的前向模型里没有正确建模泊松噪声，而是简单用了高斯噪声假设，那么在极低光子数下重建结果会严重偏离。我见过不少论文在仿真时用高斯噪声，一到真实数据就崩，原因就在这里。正确的做法是：在光子数低于约1000时，必须用泊松模型；高于这个量级，高斯近似才逐渐成立。

3. 光子转移曲线：一台相机的“体检报告”

3.1 PTC到底测什么

光子转移曲线本质上是一条“方差-均值”曲线。横轴是信号均值（DN），纵轴是方差（DN²）。在读出噪声主导的低信号区，方差基本不变；在光子噪声主导的高信号区，方差随均值线性增长。通过拟合这条曲线，你可以得到三个关键参数：

• 转换增益g：线性区的斜率倒数，单位e-/DN。知道了g，你就能把DN值换算成电子数，进而计算量子效率、信噪比等。
• 读出噪声σ_read：低信号区方差的平方根，单位e-。它决定了相机的暗光极限。
• 满阱容量FWC：曲线偏离线性的那个点对应的信号均值乘以g，单位e-。超过这个值像素就饱和了。

这三个参数是评价一台相机辐射性能的核心指标。比如两台相机，一台读出噪声2e-，另一台5e-，在暗光下的表现差距会非常明显。

3.2 实测PTC的完整步骤

下面是我在实验室里常用的PTC测量流程，适用于大多数工业相机和单反相机。你需要一个均匀光源、一个可以手动控制曝光时间的相机，以及一台能读原始数据的电脑。

第一步：准备均匀光源。可以用积分球，也可以用均匀背光板。关键是光源的均匀性要好，中心区域的不均匀性最好小于2%。如果没有专业设备，用一块毛玻璃盖在LED灯前，距离相机足够远，也能凑合。

第二步：固定相机参数。关闭自动增益、自动曝光、自动白平衡，关闭降噪算法（尤其是多帧降噪），输出RAW格式。如果相机有暗电流抑制功能，也一并关闭。这些自动功能会破坏方差与均值的原始关系。

第三步：采集一组不同曝光量的图像。从最短曝光开始，逐步增加曝光时间，直到图像接近饱和。一般取15到20个曝光点，覆盖从暗到亮的整个范围。每个曝光点拍10到20帧，用于统计方差。注意，每帧之间要有足够的时间间隔，避免传感器发热导致暗电流漂移。

第四步：计算每个曝光点的均值和方差。在每帧图像的中心区域取一个ROI，计算所有帧在该ROI内的像素均值，再计算每个像素在时间维度上的方差，最后对所有像素的方差取平均。这样得到该曝光点的（均值，方差）对。

第五步：拟合PTC曲线。用公式σ² = g * S + σ_read²对数据进行线性拟合。低信号区可能偏离线性，可以只取光子噪声主导的区间做拟合。拟合得到g和σ_read后，再找曲线开始偏离线性的点，计算FWC。

3.3 参数计算实例

假设你测得一组数据，拟合后得到斜率k = 0.5 DN²/DN，截距b = 100 DN²。那么：

• 转换增益g = 1/k = 2 e-/DN
• 读出噪声σ_read = sqrt(b) = 10 DN，换算成电子数就是10 * 2 = 20 e-
• 如果饱和点对应的均值是3000 DN，那么FWC = 3000 * 2 = 6000 e-

这个结果说明，该相机每DN对应2个电子，读出噪声20个电子，满阱6000个电子。你可以拿这些参数去计算不同光照下的信噪比，判断它是否满足你的应用需求。

实操心得：拟合时一定要用原始DN值，不要用经过gamma校正或JPEG压缩的数据。另外，如果相机有14位ADC但输出是8位，一定要找到原始位深的读取方式，否则PTC会严重失真。

3.4 常见坑与排查

4. 张正友标定：从棋盘格到内参矩阵

4.1 为什么张正友标定这么经典

在张正友之前，相机标定通常需要三维标定物，制作精度要求高，操作也麻烦。张正友在1999年提出的方法只需要一个平面棋盘格，从不同角度拍几张照片，就能解出相机内参和畸变系数。它的巧妙之处在于：利用平面标定板上已知的角点坐标，建立单应性矩阵，再通过旋转矩阵的正交约束求解内参。整个过程不需要知道标定板在空间中的精确位置，只需要知道棋盘格上角点的相对关系。

这个方法至今仍是OpenCV、MATLAB、ROS等工具链里的默认标定方案。你搜“张正友标定法”“相机标定”“d435i相机标定”“ros相机标定”“双目相机标定”，出来的教程基本都是围绕它展开的。

4.2 标定前的准备工作

标定板选择。棋盘格是最常用的，但也可以使用圆点阵列或Charuco板。棋盘格的角点检测精度高，但对模糊和光照变化敏感；Charuco板结合了棋盘格和ArUco标记，鲁棒性更好，适合低分辨率或大畸变镜头。我一般推荐至少打印A3大小的棋盘格，方格边长25mm到30mm，打印后贴在硬质平板上，平整度误差要小于0.5mm。

拍摄角度与数量。张正友方法要求至少3个不同视角，但实际使用中我建议拍15到20张。视角要覆盖整个视场，包括中心、四角、边缘。标定板在图像中要占足够大的面积，一般建议占图像宽度的1/3到2/3。倾斜角度不要超过45度，否则角点检测容易失败。

光照与对焦。光照要均匀，避免反光和阴影。标定板要完全对焦，模糊会导致角点定位偏差。如果相机有自动对焦，标定时要锁定焦距，否则内参会变化。

4.3 标定流程与核心计算

第一步：角点检测。对每张标定图，用亚像素精度检测棋盘格角点。OpenCV里的findChessboardCorners和cornerSubPix是标准组合。检测完后，最好把角点画出来人工检查一遍，剔除检测错误的图。

第二步：建立单应性矩阵。对于每个视角，棋盘格平面上的点(X, Y, 0)到图像点(u, v)的映射可以用单应性矩阵H描述：

[u, v, 1]^T = H * [X, Y, 1]^T

H = K * [r1, r2, t]

其中K是内参矩阵，r1和r2是旋转矩阵的前两列，t是平移向量。因为r1和r2正交且模相等，所以可以得到两个约束：

h1^T * K^(-T) * K^(-1) * h2 = 0 h1^T * K^(-T) * K^(-1) * h1 = h2^T * K^(-T) * K^(-1) * h2

其中h1和h2是H的列向量。这两个约束就是求解内参的关键。

第三步：求解内参。令B = K^(-T) * K^(-1)，B是一个对称矩阵，有6个未知数。每个视角提供两个方程，所以至少需要3个视角。实际中会用更多视角做最小二乘。解出B后，通过Cholesky分解得到K。

第四步：求解外参和畸变。得到K后，每个视角的外参可以通过H和K计算。然后考虑径向畸变和切向畸变，用最大似然估计优化所有参数。OpenCV的calibrateCamera函数会自动完成这一步。

第五步：评估标定质量。用重投影误差衡量。把标定板角点通过标定参数投影回图像，计算与实际检测角点的距离。好的标定重投影误差应该在0.1到0.3像素之间。如果超过0.5像素，说明标定有问题，需要检查标定板平整度、角点检测精度或拍摄角度。

4.4 双目标定与ROS中的实操

双目相机标定在张正友方法基础上，还需要标定两个相机之间的外参。流程是：先分别标定左右相机的内参，再通过同时拍摄标定板，计算两个相机之间的旋转和平移。ROS里的camera_calibration包提供了完整的工具链，支持单目和双目。

以D435i为例，它本身有出厂标定，但如果你要自己做，可以用ROS的camera_calibration。步骤是：启动相机节点，运行标定工具，移动棋盘格直到采集足够样本，然后点击校准。工具会输出内参、畸变系数和双目外参。注意D435i的RGB相机和深度相机是分开标定的，深度相机的标定更复杂，通常需要专门的深度标定工具。

注意：标定时的图像分辨率要和实际使用一致。如果你用640×480标定，却用1280×720运行，内参会不匹配。另外，标定后要保存参数文件，并在程序中正确加载。

5. 噪声模型与标定的联合应用

5.1 用PTC参数指导标定精度评估

标定得到的重投影误差，本质上受角点检测精度限制。而角点检测精度又受图像噪声影响。如果你知道相机的读出噪声和转换增益，就可以估算角点定位的理论极限。比如读出噪声20e-，角点检测的信噪比如果只有10，那么定位标准差大约是0.1像素。这个估算可以帮助你判断标定结果是否已经达到相机极限。

5.2 在计算成像中同时建模噪声与几何

做三维重建或深度估计时，几何标定给出像素与空间点的对应关系，噪声模型给出每个像素的置信度。两者结合，才能做加权最小二乘或最大似然估计。比如在光束法平差中，如果给每个观测点赋予与噪声方差成反比的权重，重建精度会明显提升。我试过在低光双目重建中引入泊松噪声权重，深度图的空洞和飞点减少了约30%。

5.3 常见问题速查

6. 我踩过的那些坑

第一次做PTC时，我用了相机的JPEG输出，结果曲线乱七八糟。后来才知道JPEG经过gamma校正和压缩，方差与均值的关系完全变了。第二次我用了RAW，但忘了关自动增益，低信号区的方差被增益放大，读出噪声算出来偏大好几倍。第三次终于对了，但ROI选在了有纹理的区域，方差被纹理污染。这些坑让我明白：做噪声测量，一定要控制变量，用最原始的数据。

张正友标定我也翻过车。有一次标定板打印后没贴平，中间鼓起来一点，重投影误差始终在0.8像素下不去。换了一块铝基板后，直接降到0.15像素。还有一次用ROS标定双目，标定板移动太快，图像模糊，角点检测失败了一半。后来放慢速度，每张图都检查角点，才得到稳定结果。

最后分享一个小技巧：标定完成后，不要只看重投影误差，还要用标定参数去校正一张实际场景图，看看直线是否变直、尺寸是否合理。这是最直观的验证。噪声模型也一样，算完参数后，用它们去预测不同曝光下的信噪比，再和实测对比，如果吻合，说明模型可靠。

这套东西后续还可以扩展：比如用PTC参数做噪声感知的图像去噪，或者把标定参数和噪声模型一起放进SLAM系统里做不确定性传播。计算成像的乐趣就在于，你把每个环节都量化清楚后，整个系统的行为就变得可预测、可优化了。