第一篇：计算光学导论——当光学硬件遇上算法重建

光学系统不再追求完美成像，而是精心设计"可控缺陷"，让算法来完成最后的拼图。这不是妥协，而是一场成像范式的革命，正在工业检测领域掀起风暴。

一、传统成像的“完美主义”困境与工业检测的痛点

自1839年达盖尔银版法问世以来，光学成像的范式从未根本改变：光学系统追求极致完美，数字算法仅作锦上添花。这种“先采集后处理”（Capture-then-Process）的架构建立在两个核心假设之上：

1. 光学保真假设：镜头、传感器需尽可能忠实地记录场景光场
2. 数字补偿假设：后期算法仅用于修正光学残留误差（如去噪、锐化）

然而，这一范式正面临物理定律的硬约束，而在工业检测场景中，这些约束直接转化为产线效率的瓶颈和检测精度的天花板。

1.1 阿贝衍射极限：分辨率的“玻璃天花板”

根据阿贝衍射极限（Abbe Diffraction Limit），传统光学系统的分辨率存在理论下界：

其中λ为光波长，NA为数值孔径。对于可见光（$\lambda \approx 550\text{nm}$）和高NA物镜，极限分辨率约为200nm。这意味着在半导体晶圆检测中，传统光学显微镜无法分辨更小的制程缺陷，工程师不得不依赖昂贵的电子显微镜进行抽检，而非全检。

1.2 不可能三角：工业检测的“不可能任务”

更严峻的是不可能三角（Impossible Trinity）：在成像系统中，高分辨率、大景深、紧凑体积三者不可兼得。

图1：传统成像 vs 波前编码成像的PSF与MTF对比

图1展示了传统成像与计算光学中波前编码技术的本质差异。传统成像的点扩散函数（PSF）随离焦量急剧展宽，导致调制传递函数（MTF）迅速下降；而波前编码通过三次相位板将PSF编码为离焦不变的特定图案，虽然光学MTF较低，但可通过算法稳定恢复，实现"大光圈+大景深"的兼得。

二、计算光学：重新定义“成像”的本质

计算光学（Computational Optics）颠覆了这一传统范式。它不再将光学系统视为"完美记录设备"，而是将其设计为信息编码器——通过主动引入可控的光学调制，将高维场景信息编码为可测量的低维信号，再通过算法解码重建。

2.1 核心定义：光学编码 + 算法解码

核心定义：计算光学是一种联合设计光学调制传递函数（MTF）与信号重建算法的成像范式，其本质是光学编码 + 算法解码的端到端优化系统。

用数学语言描述，传统成像的前向模型为：

$$\mathbf{y}={\mathbf{H}}_{\text{ideal}}\cdot \mathbf{x}+\mathbf{n}$$

其中 ${\mathbf{H}}_{\text{ideal}}$ 逼近理想冲激响应。而计算光学的前向模型为：

其中φ为可设计的编码参数（如相位板形状、掩膜图案、照明模式等）。重建过程则转化为逆问题求解：

这里 $\mathcal{R}(\mathbf{x})$ 为正则化项，可引入深度学习先验。

Python伪代码：计算光学前向模型与重建框架

import numpy as np
import torch
import torch.nn as nn
from scipy.signal import convolve2d

class ComputationalOpticsModel:
    def __init__(self, psf_size=256):
        """
        计算光学成像模型
        psf_size: 点扩散函数尺寸
        """
        self.psf_size = psf_size

    def optical_encoding(self, scene, phase_mask_params):
        """
        光学编码过程：模拟波前编码成像
        scene: 输入场景 (H, W)
        phase_mask_params: 相位板参数，如三次相位板系数 alpha
        """
        # 生成离焦不变的点扩散函数（PSF）
        # 基于三次相位板理论：phi(x,y) = alpha * (x^3 + y^3)
        x = np.linspace(-1, 1, self.psf_size)
        X, Y = np.meshgrid(x, x)

        # 三次相位板引入的相位调制
        alpha = phase_mask_params['alpha']
        phase_mask = alpha * (X**3 + Y**3)

        # 计算离焦PSF（简化模型）
        defocus_range = phase_mask_params['defocus_range']
        psf_stack = []

        for defocus in defocus_range:
            # 广义光瞳函数 = 孔径函数 * exp(i*(相位板 + 离焦相位))
            pupil = np.exp(1j * (phase_mask + defocus * (X**2 + Y**2)))
            # PSF是光瞳函数的傅里叶变换的模平方
            psf = np.abs(np.fft.fftshift(np.fft.fft2(pupil)))**2
            psf = psf / np.sum(psf)  # 归一化
            psf_stack.append(psf)

        # 对不同深度进行卷积（简化：假设场景深度分层）
        encoded_image = np.zeros_like(scene, dtype=np.float32)
        for i, psf in enumerate(psf_stack):
            layer = scene * (i + 1) / len(psf_stack)  # 模拟深度分层
            encoded_image += convolve2d(layer, psf, mode='same', boundary='fill')

        return encoded_image, np.array(psf_stack)

    def algorithmic_decoding(self, encoded_image, psf_stack, method='wiener'):
        """
        算法解码：从编码图像恢复清晰场景
        """
        if method == 'wiener':
            # 维纳滤波（简化版）
            decoded = self._wiener_deconv(encoded_image, psf_stack[0])
        elif method == 'unet':
            # 基于深度学习的重建（ResUnet++示例）
            decoded = self._deep_reconstruction(encoded_image)
        return decoded

    def _wiener_deconv(self, blurred, psf, K=0.01):
        """维纳反卷积基础实现"""
        psf_fft = np.fft.fft2(psf, s=blurred.shape)
        blurred_fft = np.fft.fft2(blurred)
        # 维纳滤波器
        wiener_filter = np.conj(psf_fft) / (np.abs(psf_fft)**2 + K)
        decoded = np.fft.ifft2(blurred_fft * wiener_filter).real
        return decoded

# 使用示例：模拟PCB检测场景
model = ComputationalOpticsModel(psf_size=128)
scene = np.random.rand(512, 512)  # 模拟PCB场景

# 光学编码：使用三次相位板，alpha=20，覆盖10个离焦位置（对应PCB起伏±2mm）
params = {
    'alpha': 20,
    'defocus_range': np.linspace(-5, 5, 10)
}
encoded, psfs = model.optical_encoding(scene, params)

# 算法解码：从编码图像恢复全清晰图像
recovered = model.algorithmic_decoding(encoded, psfs, method='wiener')

2.2 为什么工业检测需要计算光学？

计算光学的兴起源于三大技术驱动力，每一项都直击工业检测的痛点：

（1）突破衍射极限（Super-Resolution）

传统光学受限于阿贝极限，但计算光学通过结构光照明显微镜（SIM）、傅里叶叠层成像（Fourier Ptychography）等技术，已实现深亚埃级分辨率（0.39 Å）。在半导体晶圆检测中，这意味着可用可见光系统分辨7nm制程的关键缺陷，而无需依赖电子显微镜。

核心思想：放弃对“完美光学”的追求，转而采集冗余编码测量，通过求解逆问题突破物理极限。

（2）系统轻薄化与成本降低（Form Factor Reduction）

波前编码（Wavefront Coding）技术通过在孔径光阑处插入三次相位板（Cubic Phase Plate），使光学系统对离焦不敏感。这意味着：

• 可制造无移动部件的定焦镜头，通过算法实现数字对焦，省去精密对焦机构
• 景深可扩展10-20倍，单次拍摄覆盖PCB板面起伏，检测速度提升10倍
• 系统厚度可缩减至传统设计的1/5以下，便于集成到机械臂末端

（3）高维信息获取（High-Dimensional Sensing）

传统相机仅记录二维空间-强度信息（x, y, I），而计算光学可扩展至：

• 光场（Light Field）：记录光线方向信息（x, y, u, v），实现后期重对焦与视角变换，用于多角度缺陷检测
• 光谱（Hyperspectral）：通过编码孔径快照光谱成像（CASSI），单次曝光获取三维数据立方体，用于材质分类与异物检测
• 相位（Phase）：通过强度传输方程（TIE）或全息技术，定量测量透明样品的相位延迟，用于应力检测与透明缺陷识别

表1：传统工业视觉方案 vs 计算光学方案对比

三、计算光学的技术谱系与工业检测映射

计算光学并非单一技术，而是一个跨学科的技术家族。依据成像流程与信息维度，可划分为四大主要分支，每一分支都对应着工业检测的特定场景：

图2：计算光学在工业检测中的典型应用场景

图2展示了计算光学在四大工业检测场景中的应用：PCB缺陷检测利用波前编码实现大景深高分辨率成像；金属表面检测通过光度立体视觉重建微观形貌；焊接质量检测借助HDR成像捕捉极端对比场景；半导体晶圆检测则通过傅里叶叠层显微实现超分辨率突破。

图3：计算光学技术谱系与工业检测应用映射

本系列文章将围绕四大技术分支展开，每一分支对应特定的工业检测价值：相机几何模型解决三维重建与定位问题；光度成像模型实现表面质量检测；HDR成像处理极端光照场景；超分辨率成像突破物理分辨率极限。

3.1 相机几何模型（Camera Geometry）

面向三维测量与定位，核心技术包括：

• 多目立体视觉：通过双/多相机视差计算深度，用于机器人引导与装配定位
• 结构光三维重建：投射编码光栅求解相位，用于精密零部件尺寸测量
• 视觉引导机器人：手眼标定与位姿估计，实现柔性抓取与自动化装配

Shree K. Nayar在其经典综述中系统分类了计算摄影的技术体系^[1]，强调软件与硬件的协同设计是提升成像质量的关键路径。在工业场景中，这意味着相机模型不再是简单的针孔模型，而是需要考虑镜头畸变、透视变形、非线性标定等复杂因素。

3.2 光度成像模型（Photometric Imaging）

主动控制照明模式以解耦表面属性，包括：

• 光度立体视觉（Photometric Stereo）：通过多方向照明重建表面法线，用于金属划痕、凹陷检测
• 反射率分离：将图像分解为材质（反射率）与光照（明暗图），用于表面粗糙度评估
• 偏振成像：利用偏振特性检测应力分布与透明材料缺陷

Laura Waller团队的开创性工作证明，通过相位恢复算法与编码照明联合设计，可用“廉价而粗糙”的光学硬件达到昂贵精密显微镜的效果^[2]。

3.3 高动态范围成像（HDR Imaging）

解决极端光照对比场景的成像问题：

• 多曝光融合：捕捉不同曝光图像合成宽动态范围图像，用于焊接质量监控
• Raw域处理：在传感器原始数据层面进行去噪与细节恢复，提升低光检测能力
• 色调映射：将HDR图像映射到显示设备，同时保持缺陷可视性

3.4 超分辨率成像（Super-Resolution）

突破传感器像素限制与光学衍射极限：

• 单帧超分：基于深度学习的图像超分辨率，用于提升现有系统检测精度
• 多帧超分：亚像素对齐与融合，用于显微系统的分辨率增强
• 傅里叶叠层成像：通过多角度照明合成大NA成像，突破物镜物理限制，用于半导体晶圆检测

四、核心概念深度解析：PSF、MTF与工业检测

为了深入理解计算光学在工业检测中的应用，必须掌握三个核心概念：

4.1 点扩散函数（PSF）的工程意义

PSF描述光学系统对理想点源的响应。在计算光学中，PSF不再是“越窄越好”，而是被设计为具有特定编码特性：

• 传统目标：PSF逼近δ函数，$h(x,y)\approx \delta (x,y)$
• 计算光学目标：PSF具有可逆的、离焦不变的特性，如三次相位板的PSF在离焦范围内保持高频信息（尽管空间分布复杂）

Python代码：生成并可视化波前编码PSF

import numpy as np
import matplotlib.pyplot as plt

def generate_wavefront_coding_psf(size=256, alpha=20, defocus=0):
    """
    生成三次相位板的点扩散函数
    alpha: 相位板强度系数（控制编码强度）
    defocus: 离焦量（波长单位）
    """
    # 坐标网格（归一化到[-1,1]）
    x = np.linspace(-1, 1, size)
    X, Y = np.meshgrid(x, x)
    R = np.sqrt(X**2 + Y**2)

    # 圆形孔径（硬边）
    aperture = (R <= 1).astype(float)

    # 三次相位板 + 离焦相位（抛物面）
    phase_cubic = alpha * (X**3 + Y**3)
    phase_defocus = defocus * (X**2 + Y**2)
    total_phase = phase_cubic + phase_defocus

    # 广义光瞳函数 = 孔径 * 相位调制
    pupil = aperture * np.exp(1j * total_phase)

    # PSF = |FFT(光瞳函数)|^2
    psf = np.abs(np.fft.fftshift(np.fft.fft2(pupil)))**2
    psf = psf / np.sum(psf)  # 能量归一化

    return psf

def plot_psf_comparison():
    """对比传统与波前编码PSF随离焦的变化"""
    fig, axes = plt.subplots(2, 3, figsize=(15, 10))

    defocus_values = [0, 2, 4]  # 不同离焦量（对应工业场景中的高度起伏）
    size = 256

    # 传统成像（无相位编码，alpha=0）
    for i, df in enumerate(defocus_values):
        psf_trad = generate_wavefront_coding_psf(alpha=0, defocus=df)
        axes[0, i].imshow(psf_trad, cmap='hot', extent=[-1, 1, -1, 1])
        axes[0, i].set_title(f'传统成像 | 离焦={df}\n(α=0)', fontsize=11, fontweight='bold')
        axes[0, i].axis('off')

        # 计算并显示MTF
        mtf = np.abs(np.fft.fftshift(np.fft.fft2(psf_trad)))
        axes[0, i].text(0.5, -0.15, f'MTF(0)={mtf[size//2, size//2]:.2f}', 
                       transform=axes[0, i].transAxes, ha='center', fontsize=9)

    # 波前编码成像（alpha=30）
    for i, df in enumerate(defocus_values):
        psf_wfc = generate_wavefront_coding_psf(alpha=30, defocus=df)
        axes[1, i].imshow(psf_wfc, cmap='viridis', extent=[-1, 1, -1, 1])
        axes[1, i].set_title(f'波前编码 | 离焦={df}\n(α=30)', fontsize=11, fontweight='bold')
        axes[1, i].axis('off')

        mtf = np.abs(np.fft.fftshift(np.fft.fft2(psf_wfc)))
        axes[1, i].text(0.5, -0.15, f'MTF(0)={mtf[size//2, size//2]:.2f}', 
                       transform=axes[1, i].transAxes, ha='center', fontsize=9)

    plt.suptitle('工业检测场景：传统成像 vs 波前编码成像的离焦稳定性对比', 
                 fontsize=16, y=1.02, fontweight='bold')
    plt.tight_layout()
    return fig

# 运行可视化
fig = plot_psf_comparison()
plt.show()

4.2 调制传递函数（MTF）的联合优化

MTF是PSF的傅里叶变换模值，表征系统对不同空间频率的传递能力。计算光学的核心洞见是：

光学MTF与算法MTF的乘积才是系统总MTF。

通过允许光学MTF在中高频段适度下降（但保持可预测性），算法可通过反卷积或深度学习网络恢复高频信息，最终系统MTF可超越纯光学极限。在工业检测中，这意味着：

• 传统方案：追求光学MTF极致，但离焦时MTF崩溃，导致边缘模糊
• 计算光学方案：接受较低但稳定的光学MTF，通过算法补偿，实现全视场清晰

4.3 相位恢复（Phase Retrieval）算法

当仅测量光强而丢失相位时（如透明材料检测、X射线成像），需通过相位恢复算法重建光场。经典算法包括：

1. Gerchberg-Saxton（GS）算法：在物域与频域之间交替投影^[3]
2. 误差下降算法（Error Reduction）：引入反馈机制加速收敛
3. Wirtinger Flow：基于梯度的非凸优化
4. 深度学习相位恢复：使用UNet或GAN端到端学习

Python伪代码：GS算法基础实现

def gerchberg_saxton(measured_intensity, initial_guess, iterations=100):
    """
    经典GS相位恢复算法
    适用于：透明缺陷检测、X射线相位成像、全息重建

    参数:
        measured_intensity: 观测平面强度测量值 sqrt(I)
        initial_guess: 初始相位估计
    """
    amplitude_obj = np.sqrt(measured_intensity)
    phase = initial_guess

    for i in range(iterations):
        # 当前估计：振幅约束
        estimate = amplitude_obj * np.exp(1j * phase)

        # 傅里叶变换到频域（模拟传播）
        spectrum = np.fft.fft2(estimate)
        magnitude_ft = np.abs(spectrum)
        phase_ft = np.angle(spectrum)

        # 频域约束：例如有限带宽或已知频谱幅度
        # 这里简化处理

        # 逆傅里叶变换回空域
        estimate_new = np.fft.ifft2(spectrum)
        amplitude_new = np.abs(estimate_new)
        phase = np.angle(estimate_new)

        # 空域约束：替换为测量幅度
        # 计算误差监控收敛
        if i % 10 == 0:
            error = np.sum((amplitude_new - amplitude_obj)**2)
            print(f"Iteration {i}, Error: {error:.4f}")

    return amplitude_new * np.exp(1j * phase)

五、系列预告：走向工业视觉的下一站

《计算成像》系列将深入探索计算光学的核心技术栈，每一篇都紧密结合工业检测的实际需求：

第二篇：《相机几何模型：从针孔到多目立体视觉》

• 深入解析相机矩阵、畸变模型与标定方法
• 结构光三维重建：相位展开与格雷码编码
• 手眼标定与视觉引导机器人实战

第三篇：《光度成像模型：当光照成为编码器》

• 反射模型与BRDF：朗伯体 vs 镜面反射
• 光度立体视觉：从多幅图像重建表面法线
• 工业案例：金属表面划痕检测与粗糙度评估

第四篇：《光度立体视觉：超越2D的缺陷检测》

• 阴影形成与表面朝向估计
• 多光源优化布局与阴影去除
• 深度学习与传统光度立体的融合

第五篇：《高动态范围成像：征服极端光照》

• 多曝光融合与色调映射算法
• Raw域处理与传感器特性建模
• 工业案例：焊接质量监控与高温物体检测

第六篇：《超分辨率成像：突破像素的边界》

• 单帧超分：从SRCNN到ESRGAN的演进
• 多帧超分：亚像素对齐与盲超分
• 傅里叶叠层显微：计算光学的分辨率革命

六、结语：工业视觉的“软件定义”时代

计算光学代表了一场成像范式革命：从“硬件完美主义”转向“算法增强主义”。正如Laura Waller所言：“我们可以用‘廉价而粗糙’的光学实现昂贵精密显微镜的效果——关键在于软硬件的联合设计。”^[2:1]

这一转变与工业4.0的演进异曲同工。当光学系统不再是物理约束的被动接受者，而是信息编码的主动设计者时，分辨率的极限、景深的束缚、体积的约束都将被重新定义。

对于工业视觉工程师而言，计算光学开辟了一片新疆域：成像不再是前端黑箱，而是可微分、可优化、可学习的计算图层。当检测算法不再受限于传统相机的“所见即所得”，而是能够解码三维形貌、表面法线、材质光谱的丰富信息时，下一代工业智能检测系统的真正潜力将被释放。

从“看得清”到“看得懂”，从“二维像素”到“多维信息”，计算光学正在重塑工业视觉的边界。

1. Nayar, S. K. (2006). Computational cameras: Redefining the image. IEEE Computer, 39(8), 30-38. （计算摄影奠基性综述） ↩︎

2. Waller, L., & Tian, L. (2015). Computational imaging: Machine learning for 3D microscopy. Nature, 523(7561), 416-423. （Laura Waller团队关于计算显微的经典工作） ↩︎ ↩︎

3. Gerchberg, R. W., & Saxton, W. O. (1972). A practical algorithm for the determination of phase from image and diffraction plane pictures. Optik, 35, 237-246. （相位恢复经典算法） ↩︎