液态镜头 + Halcon 景深融合-程序员充电站

液态镜头配合景深融合算法，是机器视觉中解决“大景深、高分辨率”这对矛盾的标准方案。简单来说，液态镜头负责毫秒级快速变焦、采集多张不同焦点的图像，Halcon则负责从这些图像中提取最清晰的部分，合成一张全清晰的图像。

下面我将从硬件原理到代码实现，为你拆解这套技术的完整落地流程。

第一部分：为什么会用到液态镜头？

在工业检测或精密测量中，传统定焦镜头受限于景深。如果被测物体有高度差（如电路板上的元件、阶梯状工件），就会出现“前景清晰、后景模糊”或反之的情况。

液态镜头解决的核心问题：
它没有传统的机械移动部件，通过电润湿效应改变液体的曲率，能在毫秒级时间内改变焦距。这意味着相机可以像人眼一样，在极短时间内快速对焦到不同距离的物体上，配合算法实现“全焦成像”。

第二部分：系统架构与核心流程

一个完整的液态镜头景深融合系统，分为硬件控制与算法处理两大模块。

第三部分：硬件层面 —— 液态镜头的控制与采集

要让液态镜头和相机协同工作，关键是如何同步触发。根据你的硬件接口（如串口、I2C或直连GPIO），你需要实现以下逻辑：

确定扫描范围：确定需要拍摄的物距范围（最近点 to 最远点），查阅液态镜头的产品手册，将物距映射为驱动电压值（如从30V到60V）。
编写控制逻辑：编写函数set_liquid_lens_voltage(voltage_value)。
序列采集：使用循环语句，遍历电压值，每设置一个电压，立即触发一次相机软触发或硬触发，并将图像存入数组。

伪代码示例（C++/C#概念）：

// 假设定义了设置电压和采集的函数vector<HObject>ImageList;vector<double>VoltageList={30.0,35.0,40.0,45.0,50.0};// 根据景深需求设定步长for(inti=0;i<VoltageList.size();i++){SetLensVoltage(VoltageList[i]);// 1. 设置液态镜头电压Sleep(5);// 2. 极短延时，等待镜头稳定（通常<10ms）GrabImage(&img);// 3. 采集图像ImageList.push_back(img);// 4. 存入列表}

第四部分：算法层面 —— Halcon 景深融合（核心代码）

拿到图像序列后，我们需要在Halcon中实现算法。直接加权平均会导致重影或模糊，因此必须采用基于清晰度评价的融合策略。

以下是基于搜索到的资料整理的完整Halcon实现代码，包含了配准与拉普拉斯金字塔融合：

* 1. 初始化 dev_close_window () read_image (Image, 'img_1') get_image_size (Image, Width, Height) dev_open_window (0, 0, Width, Height, 'black', WindowHandle) * 假设你读取了3张图，这里以3张为例，实际可拓展 read_image (Image1, 'focus_1.png') read_image (Image2, 'focus_2.png') read_image (Image3, 'focus_3.png') * 2. 图像配准 (防止液态镜头或相机在变焦时产生微小位移) * 以第一张图为基准，对第二、三张进行仿射变换对齐 create_shape_model (Image1, 'auto', rad(0), rad(360), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID) find_shape_model (Image2, ModelID, rad(0), rad(360), 0.8, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score) vector_angle_to_rigid (Row, Column, Angle, 0, 0, 0, HomMat2D) affine_trans_image (Image2, Image2_Aligned, HomMat2D, 'constant', 'false') * (重复上述步骤对齐 Image3...) clear_shape_model (ModelID) * 3. 计算清晰度图 (使用灰度方差或拉普拉斯) * 清晰度越高，代表该区域在此图中是聚焦的 var_image (Image1, Sharp1, 5, 5) var_image (Image2_Aligned, Sharp2, 5, 5) var_image (Image3_Aligned, Sharp3, 5, 5) * 4. 生成权重图 (并做平滑处理，避免融合边界生硬) gauss_image (Sharp1, Weight1, 9) gauss_image (Sharp2, Weight2, 9) gauss_image (Sharp3, Weight3, 9) * 5. 权重归一化 (确保同一像素位置的三张图权重和为1) add_image (Weight1, Weight2, TempSum) add_image (TempSum, Weight3, TotalWeight) div_image (Weight1, TotalWeight, NormWeight1, 1, 0) div_image (Weight2, TotalWeight, NormWeight2, 1, 0) div_image (Weight3, TotalWeight, NormWeight3, 1, 0) * 6. 图像融合 (直接乘加) mult_image (Image1, NormWeight1, Res1, 1, 0) mult_image (Image2_Aligned, NormWeight2, Res2, 1, 0) mult_image (Image3_Aligned, NormWeight3, Res3, 1, 0) add_image (Res1, Res2, Intermediate, 1, 0) add_image (Intermediate, Res3, FinalImage, 1, 0) * 7. 显示结果 write_image (FinalImage, 'tiff', 0, 'all_in_focus_result') dev_display (FinalImage)

第五部分：进阶与优化策略

关于“拉普拉斯金字塔”：
上述代码使用了mult_image直接融合，这在简单场景下可用。如果遇到边缘光晕，你需要使用拉普拉斯金字塔融合。
- 原理：将图像分解为高频（细节）和低频（颜色/轮廓），只对高频细节进行基于清晰度的选择，对低频进行加权平均。
- Halcon实现：利用gen_gauss_pyramid和gen_laplace_pyramid构建金字塔，逐层融合后再用reconst_laplace_pyramid重建。
如何选择最佳电压步长？
- 景深越小（镜头光圈大），电压步长需要越小，以捕捉更精细的深度切片。
- 通常建议重叠法则：确保当前图像的景深范围与上一张图像有至少20%-30%的重叠，这样才能保证融合后的图像没有“断层”。
3D 信息挖掘：
如果你不仅需要一张全清图，还想获得深度图或3D点云，这个流程同样适用。因为每一张清晰图都对应一个特定的电压（即特定的物距）。通过记录“哪个像素在哪张图中最清晰”，你可以反推该像素的物理距离，实现2.5D 重建。