尧图网站建设 
简介本资源是一套基于光度立体技术实现三维重建的Python应用程序面向计算机、人工智能、通信、物联网等专业的在校学生、教师及企业员工可用于毕业设计、课程设计、大作业或初期项目立项演示也适合对三维重建与计算机视觉感兴趣的学习者入门进阶。压缩包共41个文件约7.67MB包含Python源码、Jupyter Notebook实验文件、项目说明文档以及png、jpg图像数据、npy法向量与深度数据、obj三维模型、xls与csv数据集和pdf实验报告等覆盖从算法实现到结果可视化的完整流程。项目代码完整且功能验证稳定配有详细注释光度立体算法流程清晰可帮助读者理解表面法向量估计、深度图生成与三维模型导出等关键环节并支持在此基础上进行二次开发与功能扩展。目前已有243人学习下载适合需要完整参考方案与排错思路的读者。1. 光度立体三维重建从两张照片到毫米级表面法线你手头有一批工业相机拍的金属件照片表面有划痕、凹坑、字符压印普通二维图像检测经常漏判因为灰度值受反光影响太大。光度立体Photometric Stereo就是解决这个问题的固定相机用不同方向的光源依次照射同一物体拍多张图通过像素亮度变化反推每个像素的表面法线方向再积分得到深度图。它不需要激光轮廓仪不需要结构光投影仪一套环形光源加普通工业相机就能跑。这个方案适合做表面缺陷检测、压印字符识别、微小形变测量的工程师也适合想用 Python 从零实现三维重建的开发者。标题里的“python源码详细注释项目说明”意味着你拿到的是一个可运行、可读、可改的工程不是论文伪代码。下面我按实际落地顺序拆开讲。2. 光度立体为什么能用亮度反推法线从朗伯模型到最小二乘求解2.1 朗伯反射假设与亮度方程光度立体的物理基础是朗伯余弦定律表面某点的反射亮度与光源方向和表面法线夹角的余弦成正比。写成公式I ρ · (N · L)其中 I 是像素灰度值ρ 是表面反照率albedoN 是单位法线向量 (nx, ny, nz)L 是单位光源方向向量。如果我有 m 个不同方向的光源每个光源拍一张图对同一个像素就有 m 个方程I₁ ρ · (N · L₁) I₂ ρ · (N · L₂) ... Iₘ ρ · (N · Lₘ)未知数是 ρ 和 N 的三个分量共 4 个未知数。只要 m ≥ 3 且光源方向不共面理论上就能解。实际工程中为了抗噪声通常用 4 到 8 个光源做最小二乘。这里有个关键点ρ 和 N 是耦合的。常用做法是把 ρ 吸收进法线向量令 g ρ · N先解 g再归一化得到 N 和 ρ。这样方程变成线性I L · g其中 L 是 m×3 的光源方向矩阵g 是 3×1 向量。最小二乘解为g (LᵀL)⁻¹ Lᵀ I这就是整个光度立体最核心的一步。代码里通常用 numpy 的 lstsq 直接解不用手动求逆。2.2 光源方向标定最容易翻车的一步光源方向 L 怎么来常见做法有三种第一种用标定球。放一个已知半径的高反球体每个光源下拍一张球面高光点位置可以反推光源方向。这是最准的但需要额外硬件。第二种用平面标定板。把一块白色漫反射平板放在相机视野内每个光源单独亮拍到的亮度分布可以拟合光源方向。适合光源对称安装的情况。第三种直接按机械安装角度估算。比如环形光源 8 个灯珠均匀分布仰角 30°那每个光源方向就是 (cos30°·cosθ, cos30°·sinθ, sin30°)θ 是方位角。这种方法误差大但很多产线项目就这么干因为重建结果对光源方向误差有一定容忍度。我一般会先用机械角度估算跑通再用标定球修正。如果重建出来整体倾斜八成是光源方向矩阵的坐标系和相机坐标系没对齐。2.3 用 Python 解最小二乘核心代码与参数说明下面是最小求解的代码片段假设你已经把 m 张图读成灰度矩阵并堆叠成形状 (m, H, W) 的数组。import numpy as np def solve_normals(images, light_dirs): images: shape (m, H, W), 每个光源下的灰度图已转 float32 light_dirs: shape (m, 3), 每个光源的单位方向向量 返回: normals (H, W, 3), albedo (H, W) m, H, W images.shape # 把图像堆叠成 (m, H*W) I images.reshape(m, -1).astype(np.float32) # 光源矩阵 L: (m, 3) L light_dirs.astype(np.float32) # 最小二乘解 g pinv(L) I, 形状 (3, H*W) # 用 lstsq 比手动求逆稳定 g, residuals, rank, s np.linalg.lstsq(L, I, rcondNone) # g 的形状是 (3, H*W) g g.T.reshape(H, W, 3) # 法线归一化 norm np.linalg.norm(g, axis2, keepdimsTrue) norm[norm 0] 1.0 # 防止除零 normals g / norm albedo norm.squeeze(axis2) return normals, albedo逻辑说明np.linalg.lstsq内部做 SVD 分解比直接算 (LᵀL)⁻¹Lᵀ 数值更稳。rcondNone让 numpy 用机器精度自动截断小奇异值。返回的g是 (3, H*W)转置后 reshape 成 (H, W, 3)。归一化那一步同时得到法线和反照率反照率可以单独存成灰度图用于缺陷检测。参数说明light_dirs必须是单位向量否则解出来的 g 会带尺度误差。如果某个像素在所有光源下都是 0阴影或黑点最小二乘会给出零向量归一化时用norm 0保护。实际项目中还会加一个亮度阈值掩膜把过暗像素排除。2.4 从法线到深度积分那一步的两种做法得到法线图后深度重建是另一个独立问题。法线给出的是表面梯度p -nx / nz q -ny / nz然后解 p ∂z/∂x, q ∂z/∂y。常用方法有路径积分法从某个起点开始沿 x 和 y 方向累加梯度。简单但误差会累积。泊松方程法解 ∇²z ∂p/∂x ∂q/∂y用离散余弦变换或多重网格。更稳适合有噪声的法线图。Python 里可以用scipy.fft做 DCT 求解泊松方程代码大约 20 行。如果只是做缺陷检测其实法线图本身已经够用不一定非要积分到深度。3. 把源码跑起来环境配置、数据组织与调试步骤3.1 Python 环境与依赖安装拿到源码包后第一步不是急着运行而是确认 Python 版本和依赖。光度立体项目通常依赖 numpy、opencv-python、scipy、matplotlib。有些还会用 open3d 做点云可视化。# 建议用 conda 建独立环境避免和系统 Python 冲突 conda create -n photometric python3.9 conda activate photometric # 安装核心依赖 pip install numpy opencv-python scipy matplotlib pip install open3d # 可选用于三维点云显示如果你用 vscode记得在右下角切换解释器到 photometric 环境。常见翻车现场是终端里装好了vscode 里跑的却是另一个 Python报ModuleNotFoundError。3.2 数据目录结构与光源方向文件一个典型的光度立体项目数据组织如下project/ ├── data/ │ ├── obj1/ │ │ ├── light_01.png │ │ ├── light_02.png │ │ ├── light_03.png │ │ ├── light_04.png │ │ └── lights.txt # 每行一个光源方向: x y z │ └── obj2/ │ └── ... ├── src/ │ ├── photometric.py # 核心求解 │ ├── integrate.py # 法线积分深度 │ └── visualize.py # 可视化 ├── requirements.txt └── README.mdlights.txt里存的是单位向量顺序必须和图像文件名顺序一致。我见过有人把顺序搞反重建出来的凹凸完全颠倒排查了一下午。3.3 运行主程序并检查中间结果假设源码里有一个main.py或run.py典型调用方式python main.py --data_dir ./data/obj1 --light_file ./data/obj1/lights.txt --output ./result运行后不要只看最终深度图。按顺序检查三样东西第一反照率图。它应该看起来像一张均匀光照下的灰度图没有明显光源方向残留。如果反照率图上还有亮斑说明光源方向标定有偏差。第二法线图可视化。把法线的三个分量映射到 RGB正常应该看到表面起伏的彩色图。如果整体偏一个颜色说明法线有系统性倾斜。第三深度图。检查是否有大面积平坦区域出现异常尖刺那通常是阴影或高光导致的坏点。3.4 参数怎么调阈值、光源数量与正则化源码里通常有几个可调参数intensity_threshold低于这个灰度值的像素不参与最小二乘。默认 10 左右。如果图像偏暗可以降到 5如果噪声大提到 20。use_regularization是否在最小二乘里加 Tikhonov 正则项。对于光源数量少比如 3 个的情况加一个小的 lambda 能抑制噪声放大。integration_method选poisson还是path。有噪声时选 poisson速度快但要求法线连续时选 path。我一般会先用默认参数跑一遍看反照率图是否干净再决定要不要调阈值。4. 避坑与排查光度立体落地时最容易踩的五个坑4.1 重建结果整体倾斜或凹凸颠倒现象深度图看起来像被斜着拉了一下或者凹坑变成凸起。原因光源方向矩阵的坐标系和相机坐标系不一致。比如光源方向是按世界坐标给的但图像坐标的 x 轴和 y 轴方向没对齐。另外如果光源方向 z 分量符号搞反凹凸就会颠倒。解决先确认相机坐标系定义。通常图像 x 向右y 向下z 指向物体。光源方向也按这个坐标系给。如果不确定拿一个已知凸起的球体做测试看重建结果是否凸起。4.2 反照率图上有明显光源方向残留现象反照率图上能看到某个方向的亮带或暗带。原因光源方向误差太大或者光源不是理想点光源有扩散。也可能是相机响应非线性灰度值和实际亮度不成正比。解决用标定球重新标定光源方向。如果没法标定尝试对每张图做平场校正除以一个均匀白板的图像。相机响应可以用 Gamma 校正近似。4.3 高光区域重建出尖刺现象金属表面高光点附近深度图出现尖刺或空洞。原因朗伯模型在高光处失效高光像素亮度饱和最小二乘解出的法线方向错误。解决在高光区域做掩膜不参与积分。或者用鲁棒最小二乘比如 Huber 损失降低高光像素的权重。源码里如果有mask参数把高光掩膜传进去。4.4 光源数量少于 3 个或共面现象最小二乘解不稳定法线图噪声极大。原因方程数不够或光源方向矩阵秩亏。3 个光源必须不共面4 个以上也要保证方向分布均匀。解决至少用 4 个光源最好 6 到 8 个均匀分布在半球面上。如果只有 3 个加正则化项。4.5 深度积分出现累积误差现象深度图沿某个方向越来越斜整体不平。原因路径积分法从起点开始累加梯度误差会累积。或者法线图本身有低频偏差。解决改用泊松方程积分它在频域求解没有路径依赖。如果必须用路径积分选多个起点做平均。5. 进阶技巧用光度立体做缺陷检测与点云导出5.1 用法线图做表面缺陷增强光度立体最大的价值不是深度图而是法线图。法线图对表面微小起伏极其敏感普通二维图像里看不清的浅划痕在法线图的 nx 或 ny 分量上会非常明显。我通常会把法线图转成灰度图然后做自适应阈值分割划痕检出率比直接看原图高很多。具体做法取 nx 分量归一化到 0-255然后用 cv2.adaptiveThreshold 做二值化。划痕通常表现为局部梯度突变在法线图上就是一条亮线或暗线。import cv2 import numpy as np # normals 形状 (H, W, 3) nx normals[:, :, 0] # 归一化到 0-255 nx_vis ((nx - nx.min()) / (nx.max() - nx.min()) * 255).astype(np.uint8) # 自适应阈值 binary cv2.adaptiveThreshold(nx_vis, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 5) # binary 里白色区域就是法线突变区域对应划痕或边缘参数说明blockSize31是局部窗口大小根据划痕宽度调一般取划痕宽度的 3 到 5 倍。C5是阈值偏移越小越敏感但噪声也越多。5.2 导出点云到 open3d 做三维查看如果你想把重建结果导出成点云用 open3d 很方便。把深度图转成 (H, W, 3) 的点坐标颜色可以用反照率图。import open3d as o3d import numpy as np def depth_to_pointcloud(depth, albedo, scale1.0): H, W depth.shape # 生成像素网格 x, y np.meshgrid(np.arange(W), np.arange(H)) # 假设相机焦距 f这里用简单正交投影 points np.stack([x, y, depth * scale], axis-1).reshape(-1, 3) colors np.stack([albedo, albedo, albedo], axis-1).reshape(-1, 3) pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(points) pcd.colors o3d.utility.Vector3dVector(colors) return pcd pcd depth_to_pointcloud(depth, albedo, scale0.1) o3d.visualization.draw_geometries([pcd])注意这里用的是正交投影实际相机有透视需要根据标定参数做反投影。如果只是看相对起伏正交投影够用。5.3 一个我踩过的坑光源顺序与文件命名最后说一个血泪教训。有一次我拿到一批图文件名是1.png到8.png光源方向文件里也是 8 行。我按文件名排序读入结果重建出来完全不对。后来发现10.png排在2.png前面因为字符串排序。改成按数字排序后一切正常。所以读图时一定要用sorted(glob, keylambda x: int(re.findall(r\d, x)[0]))这种按数字提取的排序别偷懒。这个方案值不值得做如果你手头有普通工业相机和可编程光源光度立体的硬件成本几乎为零软件用 Python 半天能跑通。它不能替代高精度激光扫描但在表面缺陷检测和法线增强这个场景里性价比很高。希望帮到你。本文还有配套的精品资源点击获取 光度立体三维重建：Python从两张照片到毫米级表面法线
简介本资源是一套基于光度立体技术实现三维重建的Python应用程序面向计算机、人工智能、通信、物联网等专业的在校学生、教师及企业员工可用于毕业设计、课程设计、大作业或初期项目立项演示也适合对三维重建与计算机视觉感兴趣的学习者入门进阶。压缩包共41个文件约7.67MB包含Python源码、Jupyter Notebook实验文件、项目说明文档以及png、jpg图像数据、npy法向量与深度数据、obj三维模型、xls与csv数据集和pdf实验报告等覆盖从算法实现到结果可视化的完整流程。项目代码完整且功能验证稳定配有详细注释光度立体算法流程清晰可帮助读者理解表面法向量估计、深度图生成与三维模型导出等关键环节并支持在此基础上进行二次开发与功能扩展。目前已有243人学习下载适合需要完整参考方案与排错思路的读者。1. 光度立体三维重建从两张照片到毫米级表面法线你手头有一批工业相机拍的金属件照片表面有划痕、凹坑、字符压印普通二维图像检测经常漏判因为灰度值受反光影响太大。光度立体Photometric Stereo就是解决这个问题的固定相机用不同方向的光源依次照射同一物体拍多张图通过像素亮度变化反推每个像素的表面法线方向再积分得到深度图。它不需要激光轮廓仪不需要结构光投影仪一套环形光源加普通工业相机就能跑。这个方案适合做表面缺陷检测、压印字符识别、微小形变测量的工程师也适合想用 Python 从零实现三维重建的开发者。标题里的“python源码详细注释项目说明”意味着你拿到的是一个可运行、可读、可改的工程不是论文伪代码。下面我按实际落地顺序拆开讲。2. 光度立体为什么能用亮度反推法线从朗伯模型到最小二乘求解2.1 朗伯反射假设与亮度方程光度立体的物理基础是朗伯余弦定律表面某点的反射亮度与光源方向和表面法线夹角的余弦成正比。写成公式I ρ · (N · L)其中 I 是像素灰度值ρ 是表面反照率albedoN 是单位法线向量 (nx, ny, nz)L 是单位光源方向向量。如果我有 m 个不同方向的光源每个光源拍一张图对同一个像素就有 m 个方程I₁ ρ · (N · L₁) I₂ ρ · (N · L₂) ... Iₘ ρ · (N · Lₘ)未知数是 ρ 和 N 的三个分量共 4 个未知数。只要 m ≥ 3 且光源方向不共面理论上就能解。实际工程中为了抗噪声通常用 4 到 8 个光源做最小二乘。这里有个关键点ρ 和 N 是耦合的。常用做法是把 ρ 吸收进法线向量令 g ρ · N先解 g再归一化得到 N 和 ρ。这样方程变成线性I L · g其中 L 是 m×3 的光源方向矩阵g 是 3×1 向量。最小二乘解为g (LᵀL)⁻¹ Lᵀ I这就是整个光度立体最核心的一步。代码里通常用 numpy 的 lstsq 直接解不用手动求逆。2.2 光源方向标定最容易翻车的一步光源方向 L 怎么来常见做法有三种第一种用标定球。放一个已知半径的高反球体每个光源下拍一张球面高光点位置可以反推光源方向。这是最准的但需要额外硬件。第二种用平面标定板。把一块白色漫反射平板放在相机视野内每个光源单独亮拍到的亮度分布可以拟合光源方向。适合光源对称安装的情况。第三种直接按机械安装角度估算。比如环形光源 8 个灯珠均匀分布仰角 30°那每个光源方向就是 (cos30°·cosθ, cos30°·sinθ, sin30°)θ 是方位角。这种方法误差大但很多产线项目就这么干因为重建结果对光源方向误差有一定容忍度。我一般会先用机械角度估算跑通再用标定球修正。如果重建出来整体倾斜八成是光源方向矩阵的坐标系和相机坐标系没对齐。2.3 用 Python 解最小二乘核心代码与参数说明下面是最小求解的代码片段假设你已经把 m 张图读成灰度矩阵并堆叠成形状 (m, H, W) 的数组。import numpy as np def solve_normals(images, light_dirs): images: shape (m, H, W), 每个光源下的灰度图已转 float32 light_dirs: shape (m, 3), 每个光源的单位方向向量 返回: normals (H, W, 3), albedo (H, W) m, H, W images.shape # 把图像堆叠成 (m, H*W) I images.reshape(m, -1).astype(np.float32) # 光源矩阵 L: (m, 3) L light_dirs.astype(np.float32) # 最小二乘解 g pinv(L) I, 形状 (3, H*W) # 用 lstsq 比手动求逆稳定 g, residuals, rank, s np.linalg.lstsq(L, I, rcondNone) # g 的形状是 (3, H*W) g g.T.reshape(H, W, 3) # 法线归一化 norm np.linalg.norm(g, axis2, keepdimsTrue) norm[norm 0] 1.0 # 防止除零 normals g / norm albedo norm.squeeze(axis2) return normals, albedo逻辑说明np.linalg.lstsq内部做 SVD 分解比直接算 (LᵀL)⁻¹Lᵀ 数值更稳。rcondNone让 numpy 用机器精度自动截断小奇异值。返回的g是 (3, H*W)转置后 reshape 成 (H, W, 3)。归一化那一步同时得到法线和反照率反照率可以单独存成灰度图用于缺陷检测。参数说明light_dirs必须是单位向量否则解出来的 g 会带尺度误差。如果某个像素在所有光源下都是 0阴影或黑点最小二乘会给出零向量归一化时用norm 0保护。实际项目中还会加一个亮度阈值掩膜把过暗像素排除。2.4 从法线到深度积分那一步的两种做法得到法线图后深度重建是另一个独立问题。法线给出的是表面梯度p -nx / nz q -ny / nz然后解 p ∂z/∂x, q ∂z/∂y。常用方法有路径积分法从某个起点开始沿 x 和 y 方向累加梯度。简单但误差会累积。泊松方程法解 ∇²z ∂p/∂x ∂q/∂y用离散余弦变换或多重网格。更稳适合有噪声的法线图。Python 里可以用scipy.fft做 DCT 求解泊松方程代码大约 20 行。如果只是做缺陷检测其实法线图本身已经够用不一定非要积分到深度。3. 把源码跑起来环境配置、数据组织与调试步骤3.1 Python 环境与依赖安装拿到源码包后第一步不是急着运行而是确认 Python 版本和依赖。光度立体项目通常依赖 numpy、opencv-python、scipy、matplotlib。有些还会用 open3d 做点云可视化。# 建议用 conda 建独立环境避免和系统 Python 冲突 conda create -n photometric python3.9 conda activate photometric # 安装核心依赖 pip install numpy opencv-python scipy matplotlib pip install open3d # 可选用于三维点云显示如果你用 vscode记得在右下角切换解释器到 photometric 环境。常见翻车现场是终端里装好了vscode 里跑的却是另一个 Python报ModuleNotFoundError。3.2 数据目录结构与光源方向文件一个典型的光度立体项目数据组织如下project/ ├── data/ │ ├── obj1/ │ │ ├── light_01.png │ │ ├── light_02.png │ │ ├── light_03.png │ │ ├── light_04.png │ │ └── lights.txt # 每行一个光源方向: x y z │ └── obj2/ │ └── ... ├── src/ │ ├── photometric.py # 核心求解 │ ├── integrate.py # 法线积分深度 │ └── visualize.py # 可视化 ├── requirements.txt └── README.mdlights.txt里存的是单位向量顺序必须和图像文件名顺序一致。我见过有人把顺序搞反重建出来的凹凸完全颠倒排查了一下午。3.3 运行主程序并检查中间结果假设源码里有一个main.py或run.py典型调用方式python main.py --data_dir ./data/obj1 --light_file ./data/obj1/lights.txt --output ./result运行后不要只看最终深度图。按顺序检查三样东西第一反照率图。它应该看起来像一张均匀光照下的灰度图没有明显光源方向残留。如果反照率图上还有亮斑说明光源方向标定有偏差。第二法线图可视化。把法线的三个分量映射到 RGB正常应该看到表面起伏的彩色图。如果整体偏一个颜色说明法线有系统性倾斜。第三深度图。检查是否有大面积平坦区域出现异常尖刺那通常是阴影或高光导致的坏点。3.4 参数怎么调阈值、光源数量与正则化源码里通常有几个可调参数intensity_threshold低于这个灰度值的像素不参与最小二乘。默认 10 左右。如果图像偏暗可以降到 5如果噪声大提到 20。use_regularization是否在最小二乘里加 Tikhonov 正则项。对于光源数量少比如 3 个的情况加一个小的 lambda 能抑制噪声放大。integration_method选poisson还是path。有噪声时选 poisson速度快但要求法线连续时选 path。我一般会先用默认参数跑一遍看反照率图是否干净再决定要不要调阈值。4. 避坑与排查光度立体落地时最容易踩的五个坑4.1 重建结果整体倾斜或凹凸颠倒现象深度图看起来像被斜着拉了一下或者凹坑变成凸起。原因光源方向矩阵的坐标系和相机坐标系不一致。比如光源方向是按世界坐标给的但图像坐标的 x 轴和 y 轴方向没对齐。另外如果光源方向 z 分量符号搞反凹凸就会颠倒。解决先确认相机坐标系定义。通常图像 x 向右y 向下z 指向物体。光源方向也按这个坐标系给。如果不确定拿一个已知凸起的球体做测试看重建结果是否凸起。4.2 反照率图上有明显光源方向残留现象反照率图上能看到某个方向的亮带或暗带。原因光源方向误差太大或者光源不是理想点光源有扩散。也可能是相机响应非线性灰度值和实际亮度不成正比。解决用标定球重新标定光源方向。如果没法标定尝试对每张图做平场校正除以一个均匀白板的图像。相机响应可以用 Gamma 校正近似。4.3 高光区域重建出尖刺现象金属表面高光点附近深度图出现尖刺或空洞。原因朗伯模型在高光处失效高光像素亮度饱和最小二乘解出的法线方向错误。解决在高光区域做掩膜不参与积分。或者用鲁棒最小二乘比如 Huber 损失降低高光像素的权重。源码里如果有mask参数把高光掩膜传进去。4.4 光源数量少于 3 个或共面现象最小二乘解不稳定法线图噪声极大。原因方程数不够或光源方向矩阵秩亏。3 个光源必须不共面4 个以上也要保证方向分布均匀。解决至少用 4 个光源最好 6 到 8 个均匀分布在半球面上。如果只有 3 个加正则化项。4.5 深度积分出现累积误差现象深度图沿某个方向越来越斜整体不平。原因路径积分法从起点开始累加梯度误差会累积。或者法线图本身有低频偏差。解决改用泊松方程积分它在频域求解没有路径依赖。如果必须用路径积分选多个起点做平均。5. 进阶技巧用光度立体做缺陷检测与点云导出5.1 用法线图做表面缺陷增强光度立体最大的价值不是深度图而是法线图。法线图对表面微小起伏极其敏感普通二维图像里看不清的浅划痕在法线图的 nx 或 ny 分量上会非常明显。我通常会把法线图转成灰度图然后做自适应阈值分割划痕检出率比直接看原图高很多。具体做法取 nx 分量归一化到 0-255然后用 cv2.adaptiveThreshold 做二值化。划痕通常表现为局部梯度突变在法线图上就是一条亮线或暗线。import cv2 import numpy as np # normals 形状 (H, W, 3) nx normals[:, :, 0] # 归一化到 0-255 nx_vis ((nx - nx.min()) / (nx.max() - nx.min()) * 255).astype(np.uint8) # 自适应阈值 binary cv2.adaptiveThreshold(nx_vis, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 5) # binary 里白色区域就是法线突变区域对应划痕或边缘参数说明blockSize31是局部窗口大小根据划痕宽度调一般取划痕宽度的 3 到 5 倍。C5是阈值偏移越小越敏感但噪声也越多。5.2 导出点云到 open3d 做三维查看如果你想把重建结果导出成点云用 open3d 很方便。把深度图转成 (H, W, 3) 的点坐标颜色可以用反照率图。import open3d as o3d import numpy as np def depth_to_pointcloud(depth, albedo, scale1.0): H, W depth.shape # 生成像素网格 x, y np.meshgrid(np.arange(W), np.arange(H)) # 假设相机焦距 f这里用简单正交投影 points np.stack([x, y, depth * scale], axis-1).reshape(-1, 3) colors np.stack([albedo, albedo, albedo], axis-1).reshape(-1, 3) pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(points) pcd.colors o3d.utility.Vector3dVector(colors) return pcd pcd depth_to_pointcloud(depth, albedo, scale0.1) o3d.visualization.draw_geometries([pcd])注意这里用的是正交投影实际相机有透视需要根据标定参数做反投影。如果只是看相对起伏正交投影够用。5.3 一个我踩过的坑光源顺序与文件命名最后说一个血泪教训。有一次我拿到一批图文件名是1.png到8.png光源方向文件里也是 8 行。我按文件名排序读入结果重建出来完全不对。后来发现10.png排在2.png前面因为字符串排序。改成按数字排序后一切正常。所以读图时一定要用sorted(glob, keylambda x: int(re.findall(r\d, x)[0]))这种按数字提取的排序别偷懒。这个方案值不值得做如果你手头有普通工业相机和可编程光源光度立体的硬件成本几乎为零软件用 Python 半天能跑通。它不能替代高精度激光扫描但在表面缺陷检测和法线增强这个场景里性价比很高。希望帮到你。本文还有配套的精品资源点击获取