噪声模型
图像噪声、轴读数噪声、可复现性——以及噪声怎么影响标定精度。
两处噪声,就两处
虚拟设备里的随机量只有两个来源,都写在机台配置的 noise 段里:
"noise": {
"seed": 20260921,
"axisPositionMm": 0.0005, // 轴回报位置的读数噪声(mm,高斯 σ)
"imageSigma": 3.0 // 图像噪声(灰阶,高斯 σ)
}| 噪声 | 加在哪 | 后果 |
|---|---|---|
| 图像噪声 | 每个像素的灰度上,零均值高斯 | 边缘定位抖动 → 圆心抖动 → 标定结果抖动 |
| 轴读数噪声 | 控制器回报的位置上 | 标定算法拿到的位置本身就带误差 |
另外还有一个重复定位误差(加在真实位置上,见轴与误差)—— 它和读数噪声是两回事,后果也不同。
这个模型没有的东西
没有散粒噪声、暗电流、量子效率、满阱容量、坏点。
工业相机手册上那一套参数在这里不建模,理由和别处一样: 它们让模型更像相机手册,但对「标定为什么会错」没有增量。 一个零均值高斯已经能产生"边缘抖 → 圆心抖 → 结果抖"的完整因果链, 而这条链才是标定课要讲的东西。
如果你要做的是相机选型或图像传感器仿真,这个模型不够,别拿它当依据。
可复现性是硬要求
seed 固定住之后,同样的输入必须得到逐位相同的图。
实现上每一行的随机源都从"帧种子 + 行号"派生,不共用一个 Random——
共用的话结果会依赖线程调度,同一帧跑两次都可能不一样。
这一条不是洁癖:没有它,"圆心误差 < 0.05 px"这种断言写不出来, 整套回归测试也就无从谈起。
噪声怎么影响标定
这才是这一节的重点。
圆心提取
圆心由边缘亚像素定位得到,噪声让每个边缘点的位置抖动 σ_edge。
一个有 N 个边缘点的圆,圆心误差约:
σ_center ≈ σ_edge / sqrt(N)
所以圆越大(边缘点越多),圆心越稳。这就是标定板圆点不宜太小的原因: 直径 10 px 的圆和 30 px 的圆,圆心精度差约 1.7 倍。
demo-xy-galvo 上圆点直径 1.0 mm、像素当量 1.7236 µm/px,
所以一个圆大约 580 px 直径——很大,这是故意的:
先让学生在"容易"的条件下把链跑通,再把圆点换小去看精度怎么掉。
像素当量
像素当量由「多个圆心之间的距离」求解,圆心误差通过最小二乘平均掉一部分:
σ_scale / scale ≈ σ_center / (D · sqrt(M))
其中 D 是采集跨度(px),M 是采集点数。
两条实用结论:
- 采集跨度比采集点数更重要。走远一点采 9 个点,比在原地密集采 50 个点准得多。
- 点数从 9 涨到 36,精度只提升 2 倍;跨度涨 10 倍,精度就提升 10 倍。
新人几乎总是反着做——在视野中心密集采一堆点,然后奇怪为什么不准。
焦点
见光学与离焦最后一节: 噪声抬高清晰度曲线的基线,把峰压平,焦点就开始飘。
怎么调
改机台描述文件里的 noise 段。两个用法:
- 调大
imageSigma(3.0 → 15),看每条链的结果分散度怎么变化; - 把
seed换个数,同一条链跑十遍,看结果的重复性—— 这是最接近真机体验的做法,也是唯一能回答「我这次标得准不准」的做法。