★ FEATURED ARTICLE 简介本资源是一套基于C#与OpenCV实现的双目视觉三维空间构建程序面向计算机视觉初学者、嵌入式定位开发人员及四旋翼无人机研究者解决双摄像头实时图像采集、空间坐标解算与可视化显示等核心问题。压缩包共68个文件包含11个C#源码.cs、6个可执行程序.exe、12个OpenCV依赖库.dll以及项目配置文件.sln、.csproj和资源文件.resources、.resx整体体积仅1.72MB结构紧凑便于快速部署调试。已有626人学习下载适用于Windows 7平台是四旋翼定位巡航研究中的关键模块提供完整可运行的工程框架、坐标定位逻辑实现及双路视频同步显示功能读者可直接复现三维空间建模流程并基于源码拓展深度估计、目标跟踪等进阶应用。1. 双目视觉不是“左右眼一拍就出深度”C# OpenCV 实现三维空间重建本质是把像素坐标、相机内参、外参和视差这四块拼图严丝合缝地对上很多人第一次听说“双目视觉三维重建”脑子里立刻浮现出两个摄像头同步拍照、软件“唰”一下弹出点云模型的科幻画面。现实远没那么轻松——你拿到的原始左右图只是两堆像素值OpenCV 的StereoBM或StereoSGBM算出来的视差图disparity map也不是直接能当深度用的毫米值而是一组无量纲的整数偏移C# 里调用这些 C 底层函数时稍不注意就会触发AccessViolationException或返回全零视差更隐蔽的是哪怕标定完美、匹配准确只要左右相机光心不严格共面、基线长度测错0.3mmZ轴误差在1米处就能放大到±8cm。这不是算法玄学是几何约束的刚性反馈。本方案面向已掌握 C# 基础能写 WinForm 上位机、处理Mat内存生命周期、了解相机成像模型知道 fx/fy/u0/v0 是什么、但尚未打通双目全流程的工程师——它不讲抽象原理只拆解从 USB 双目相机采集、到 C# 中调用 OpenCV 标定/校正/匹配/三角化、最终输出世界坐标系下点云坐标的可复现链路。所有代码基于 OpenCVSharp 4.8.0对应 OpenCV 4.8.x .NET 6避开了老旧 OpenCV 3.4.x 的 MingW64 编译陷阱和solvePnP在 C# 中的矩阵维度翻车问题。2. 用 OpenCVSharp 在 C# 中完成双目系统标定为什么必须自己拍棋盘格而不是用别人给的 YAML 参数双目系统的精度天花板由标定质量决定。网上流传的“某型号双目相机标定参数 YAML 文件”看似省事实则埋雷不同批次镜头畸变差异、装配应力导致的基线微偏、甚至出厂时温控未稳定都让参数失效。真实项目中我见过同一型号 10 台设备用同一份标定文件后5 米处深度误差标准差高达 ±12cm。必须自己拍、自己算、自己验证。2.1 拍摄高质量标定图光照、角度、覆盖度的硬约束棋盘格选择使用 9×6 规格内角点 8×5方格物理尺寸 25mm。太大易失焦太小在 2 米外难检测。拍摄要求左右相机同步触发用硬件同步信号或软件强制cap.Read()间隔 10ms覆盖视野棋盘格需出现在图像四个角 中心且至少 3 张图中棋盘格倾斜角 45°迫使算法解出畸变系数光照均匀避免反光亚光打印和阴影LED 面光源 5000K照度 300lux总张数≥ 25 对左右各 25 张我通常拍 35 对剔除 5 张模糊/遮挡图。提示用 OpenCVSharp 的Cv2.FindChessboardCorners实时预览角点检测结果绿色圆圈检测成功红色失败。失败图立即重拍别等后期批量处理。2.2 C# 中调用 OpenCV 标定核心流程绕过FileStorage的 YAML 陷阱OpenCVSharp 的Cv2.StarCalibrate不支持直接读写 YAML强行用FileStorage会因 OpenCV 版本差异导致System.AccessViolationException。正确做法是标定过程全内存计算参数导出为 JSON后续校正直接加载 JSON。// 1. 准备标定数据容器 ListPoint3f[] objectPoints new(); // 每张图的棋盘格3D坐标单位mm ListPoint2f[] imagePointsLeft new(); ListPoint2f[] imagePointsRight new(); // 2. 构建objectPoints假设棋盘格z0x/y按方格尺寸递增 Point3f[] obj new Point3f[40]; // 8*540个内角点 for (int i 0; i 5; i) for (int j 0; j 8; j) obj[i * 8 j] new Point3f(j * 25.0f, i * 25.0f, 0); // 3. 对每对左右图检测角点并存入容器 foreach (var pair in calibrationImagePairs) { Mat leftGray Cv2.CvtColor(pair.Left, ColorConversionCodes.BGR2GRAY); Mat rightGray Cv2.CvtColor(pair.Right, ColorConversionCodes.BGR2GRAY); bool foundLeft Cv2.FindChessboardCorners(leftGray, new Size(8, 5), out Point2f[] cornersLeft); bool foundRight Cv2.FindChessboardCorners(rightGray, new Size(8, 5), out Point2f[] cornersRight); if (foundLeft foundRight) { // 亚像素优化提升精度 Cv2.CornerSubPix(leftGray, cornersLeft, new Size(11, 11), new Size(-1, -1), new TermCriteria(CriteriaType.Eps | CriteriaType.MaxIter, 30, 0.001)); Cv2.CornerSubPix(rightGray, cornersRight, new Size(11, 11), new Size(-1, -1), new TermCriteria(CriteriaType.Eps | CriteriaType.MaxIter, 30, 0.001)); objectPoints.Add(obj); imagePointsLeft.Add(cornersLeft); imagePointsRight.Add(cornersRight); } } // 4. 执行双目标定关键传入左右相机初始内参估计值 Size imageSize leftGray.Size(); // 图像分辨率如 1280x720 double[] cameraMatrixLeft { 640.0, 0, 640.0, 0, 640.0, 360.0, 0, 0, 1 }; // fx,0,cx,0,fy,cy,0,0,1 double[] cameraMatrixRight { 640.0, 0, 640.0, 0, 640.0, 360.0, 0, 0, 1 }; double[] distCoeffsLeft { 0, 0, 0, 0, 0 }; // 初始设为0让算法拟合 double[] distCoeffsRight { 0, 0, 0, 0, 0 }; Cv2.StereoCalibrate( objectPoints, imagePointsLeft, imagePointsRight, cameraMatrixLeft, distCoeffsLeft, cameraMatrixRight, distCoeffsRight, imageSize, out RotationalMatrix R, out Mat T, // R:右相对于左的旋转T:平移向量单位mm out double rmsError, StereoCalibrationFlags.ZeroTangentDist | StereoCalibrationFlags.RationalModel, new TermCriteria(CriteriaType.Eps | CriteriaType.MaxIter, 100, 1e-5)); Console.WriteLine($标定总误差 RMS: {rmsError:F3} 像素);参数说明与踩坑逻辑cameraMatrixLeft/Right初始值必须合理fx/fy ≈ width/2像素焦距cx/cy ≈ width/2, height/2主点近似中心。填1,0,0,0,1,0,0,0,1会导致标定发散。StereoCalibrationFlags.RationalModel必须启用它启用 8 参数畸变模型k1,k2,p1,p2,k3,k4,k5,k6比默认的 5 参数模型更能拟合广角双目镜头的桶形畸变。T向量单位是毫米其 x 分量即为实际基线长度两光心距离。若标定后T.X 119.8mm但你物理测量是 120.5mm说明标定有系统偏差需检查棋盘格尺寸输入或重拍。2.3 将标定结果序列化为 JSON告别 YAML 兼容性噩梦// 封装标定结果为强类型对象 var calibResult new CalibrationData { ImageSize imageSize, LeftCameraMatrix cameraMatrixLeft, RightCameraMatrix cameraMatrixRight, LeftDistCoeffs distCoeffsLeft, RightDistCoeffs distCoeffsRight, R R.ToArray(), // 转为 double[3,3] T new[] { T.Getdouble(0, 0), T.Getdouble(1, 0), T.Getdouble(2, 0) }, RMS rmsError }; // 使用 System.Text.Json 直接保存无需第三方库 File.WriteAllText(stereo_calibration.json, JsonSerializer.Serialize(calibResult, new JsonSerializerOptions { WriteIndented true }));CalibrationData类定义精简版public class CalibrationData { public Size ImageSize { get; set; } public double[] LeftCameraMatrix { get; set; } // 9元素数组 public double[] RightCameraMatrix { get; set; } public double[] LeftDistCoeffs { get; set; } // 5或8元素 public double[] RightDistCoeffs { get; set; } public double[,] R { get; set; } // 3x3 public double[] T { get; set; } // 3元素 public double RMS { get; set; } }为什么不用 YAMLOpenCVSharp 4.8.0 的FileStorage对 YAML 1.2 支持不全读取含注释的 YAML 会崩溃而 JSON 是 .NET 原生支持、无编码歧义、结构清晰的序列化格式。后续所有校正、匹配、三角化步骤都从这个 JSON 加载参数——这是保证跨机器、跨环境结果一致的底线。3. 双目图像校正与视差计算用 remap 消除极线弯曲用 SGBM 把视差图变成深度图标定只是起点。未经校正的左右图对应点不在同一行epipolar line 不水平传统匹配算法会失效。OpenCV 的StereoRectifyinitUndistortRectifyMap生成重映射表再用remap将原始图像“拉直”这才是工业级双目的标准前处理。3.1 极线校正让左右图的对应点严格共行// 从JSON加载标定数据 var calib JsonSerializer.DeserializeCalibrationData(File.ReadAllText(stereo_calibration.json)); // 1. 计算校正变换R1,R2,P1,P2,Q Cv2.StereoRectify( calib.LeftCameraMatrix, calib.LeftDistCoeffs, calib.RightCameraMatrix, calib.RightDistCoeffs, calib.ImageSize, calib.R, calib.T, out Mat R1, out Mat R2, out Mat P1, out Mat P2, out Mat Q, RectificationFlags.Default, alpha: 0); // alpha0 表示裁剪黑边保留最大有效区域 // 2. 为左右相机生成重映射表map1, map2 Mat map1Left new Mat(), map2Left new Mat(); Mat map1Right new Mat(), map2Right new Mat(); Cv2.InitUndistortRectifyMap( calib.LeftCameraMatrix, calib.LeftDistCoeffs, R1, P1, calib.ImageSize, MatType.CV_16SC2, out map1Left, out map2Left); Cv2.InitUndistortRectifyMap( calib.RightCameraMatrix, calib.RightDistCoeffs, R2, P2, calib.ImageSize, MatType.CV_16SC2, out map1Right, out map2Right); // 3. 应用重映射实时处理时缓存 map避免重复计算 Mat rectifiedLeft new Mat(); Mat rectifiedRight new Mat(); Cv2.Remap(leftFrame, rectifiedLeft, map1Left, map2Left, InterpolationFlags.Linear); Cv2.Remap(rightFrame, rectifiedRight, map1Right, map2Right, InterpolationFlags.Linear);关键参数解释alpha0校正后图像会被裁剪但所有像素都有效无黑边插值。若设alpha1会保留全部原始像素但边缘大量黑边匹配时需额外掩膜。MatType.CV_16SC2重映射表是 16 位有符号二维坐标CV_16SC2是唯一兼容类型填CV_32FC1会静默失败。InterpolationFlags.Linear双线性插值足够Cubic无必要且慢 30%。注意StereoRectify输出的Q矩阵是关键它是后续三角化Triangulation的投影矩阵形式为[1, 0, 0, -cx] [0, 1, 0, -cy] [0, 0, 0, f] [0, 0, 1/Tx, (cx-cx)/Tx]其中f是归一化焦距Tx是基线T.Xcx, cy是左相机主点cx是右相机主点。Q必须和校正后的图像分辨率严格匹配否则深度值全错。3.2 视差计算SGBM 比 BM 更鲁棒但参数必须手调StereoSGBM半全局匹配通过聚合多方向代价显著优于StereoBM局部匹配的噪声敏感性。但它的 8 个参数没有银弹必须按场景调整参数名典型值作用调整逻辑minDisparity0最小视差左图像素偏移下限室内短距2m设 0远距5m设 32避开无效近点numDisparities128视差搜索范围必须是 16 的倍数范围越大越准但越慢128 覆盖 0.5~5m256 覆盖 0.25~5mblockSize5~11匹配窗口大小小窗口5细节好但噪点多大窗口11平滑但丢失细线必须奇数P1,P28*ch*bs²,32*ch*bs²一阶/二阶平滑惩罚项ch3BGRbsblockSize增大 P1/P2 使视差图更平滑但过度会抹掉边缘// 创建 SGBM 实例参数需根据场景实测 var sgbm Cv2.CreateStereoSGBM( minDisparity: 0, numDisparities: 128, // 128 0~127 视差值 blockSize: 7, P1: 8 * 3 * 7 * 7, // 1176 P2: 32 * 3 * 7 * 7, // 4704 disp12MaxDiff: 1, preFilterCap: 63, uniquenessRatio: 10, speckleWindowSize: 100, speckleRange: 32); // 计算视差输入必须是灰度图 Mat disparity new Mat(); sgbm.Compute(rectifiedLeft, rectifiedRight, disparity); // 归一化显示视差值是 int16需转 float32 并缩放 Mat disparityFloat new Mat(); disparity.ConvertScaleAbs(disparityFloat, 1.0 / 16.0); // OpenCV SGBM 输出是 int16*16 Cv2.Normalize(disparityFloat, disparityFloat, 0, 255, NormTypes.MinMax);血泪经验uniquenessRatio10是黄金值。设为 5 时弱纹理区域白墙、纯色物体视差跳变剧烈设为 15 时边缘细节电线、细杆直接消失。每次换场景室内/室外/低光必须用已知尺寸的标定板实测uniquenessRatio和blockSize。3.3 视差转深度用 Q 矩阵三角化而非简单公式网上常见错误用Z f * B / df焦距像素B基线毫米d视差像素计算深度。这仅在理想针孔模型、无畸变、极线完全水平时成立。真实系统必须用Q矩阵做齐次坐标三角化// 1. 将视差图转为 32F 浮点型Cv2.ReprojectImageTo3D 要求 Mat disparity32F new Mat(); disparity.ConvertScaleAbs(disparity32F, 1.0 / 16.0); // 还原为真实视差值 // 2. 用 Q 矩阵生成 3D 点云X,Y,Z 单位毫米 Mat points3D new Mat(); Cv2.ReprojectImageTo3D(disparity32F, points3D, Q, handleMissingValues: true); // 3. 提取 Z 通道深度图 Mat depthMap new Mat(); Cv2.ExtractChannel(points3D, depthMap, 2); // channel 2 Z为什么必须用ReprojectImageTo3D因为Q矩阵已编码了校正后的精确几何关系包括左右相机主点偏移、归一化焦距、基线长度、以及极线倾斜补偿。手动公式ZfB/d忽略了Q中第 4 行(cx-cx)/Tx项在图像边缘会导致深度误差指数级放大。实测表明同一视差值d64手动公式在图像中心误差 ±0.5mm在右边缘误差达 ±12mm而ReprojectImageTo3D全图误差 ±1mm。4. 避坑C# OpenCV 双目开发中 5 个高频翻车点与硬核解法双目系统是典型的“牵一发而动全身”一个参数错、一行代码漏整个链路就输出垃圾数据。以下是我在 12 个工业项目中踩出的 5 个致命坑附带可复制的诊断脚本。4.1 现象StereoSGBM.Compute()返回全零视差图原因输入图像未转灰度或blockSize设为偶数OpenCV 要求奇数或numDisparities非 16 的倍数。解决// 强制检查输入 if (rectifiedLeft.Channels() ! 1 || rectifiedRight.Channels() ! 1) throw new InvalidOperationException(SGBM 输入必须是单通道灰度图); if (sgbm.BlockSize % 2 0) throw new InvalidOperationException(blockSize 必须为奇数); if (sgbm.NumDisparities % 16 ! 0) throw new InvalidOperationException(numDisparities 必须是 16 的倍数);4.2 现象深度图Z值全为-Inf或极大值如1e30原因ReprojectImageTo3D的handleMissingValuesfalse默认遇到无效视差-1时直接输出无穷大或Q矩阵与图像分辨率不匹配。解决// 1. 启用缺失值处理 Cv2.ReprojectImageTo3D(disparity32F, points3D, Q, handleMissingValues: true); // 2. 验证 Q 矩阵提取 Q[2,3] 应等于 f归一化焦距Q[3,2] 应等于 1/BB基线 double f_norm Q.Getdouble(2, 3); double inv_B Q.Getdouble(3, 2); Console.WriteLine($Q 验证: f_norm{f_norm:F1}, 1/B{inv_B:F5} B{1/inv_B:F2}mm); // 若 B 与物理测量值偏差 0.5mm重新标定4.3 现象C# 程序运行几分钟后AccessViolationException崩溃原因Mat对象未及时Dispose()OpenCVSharp 的非托管内存泄漏或跨线程访问同一Mat。解决// 用 using 确保释放.NET 6 推荐 using var disparity new Mat(); sgbm.Compute(rectifiedLeft, rectifiedRight, disparity); // disparity 自动 Dispose() // 多线程时为每个线程创建独立 Mat Parallel.ForEach(imagePairs, pair { using var left new Mat(), right new Mat(), disp new Mat(); Cv2.CvtColor(pair.Left, left, ColorConversionCodes.BGR2GRAY); Cv2.CvtColor(pair.Right, right, ColorConversionCodes.BGR2GRAY); sgbm.Compute(left, right, disp); });4.4 现象校正后左右图“错位”对应点不在同一行原因StereoRectify的alpha参数误用或initUndistortRectifyMap的newSize与原始图像尺寸不一致。解决// 校正必须用原始图像尺寸 Cv2.InitUndistortRectifyMap( calib.LeftCameraMatrix, calib.LeftDistCoeffs, R1, P1, calib.ImageSize, // 关键必须和 cap.Read() 得到的尺寸一致 MatType.CV_16SC2, out map1Left, out map2Left);4.5 现象点云稀疏大量空洞尤其在物体边缘原因speckleWindowSize过小无法滤除匹配噪声或uniquenessRatio过高过度抑制弱匹配。解决// 动态调整先用小窗口快速预览再用大窗口精修 var sgbmFast Cv2.CreateStereoSGBM(0, 128, 5, 1176, 4704, ...); // blockSize5 sgbmFast.Compute(rectifiedLeft, rectifiedRight, disparityFast); // 统计有效视差占比 int validCount Cv2.CountNonZero(disparityFast 0); double validRatio (double)validCount / (disparityFast.Rows * disparityFast.Cols); Console.WriteLine($有效视差占比: {validRatio:P1}); // 若 60%降低 uniquenessRatio 或增大 speckleWindowSize if (validRatio 0.6) sgbm.UniquenessRatio 5; // 从10降到55. 点云后处理与三维空间构建用体素滤波降噪用平面拟合提取工作台用 ROI 截取目标区域得到原始点云points3D只是开始。工业场景中点云充满噪声、离群点、冗余背景必须做空间滤波才能用于定位、测量或引导机器人。这里不依赖 PCL.NET配置复杂、.NET 6 兼容性差全部用 OpenCVSharp 原生操作。5.1 体素滤波Voxel Grid用空间哈希降采样保特征去噪声激光雷达点云常用体素滤波双目点云同样适用。核心思想将三维空间划分为边长voxelSize的立方体每个体素内只保留一个点如重心。OpenCVSharp 无直接 API但可用Mat的Reduce和FindNonZero模拟// 1. 提取有效点Z0 且非 Inf/NaN Mat mask new Mat(); Cv2.Compare(depthMap, 0, mask, CmpTypes.Greater); // Z0 Cv2.BitwiseAnd(mask, Cv2.IsInf(depthMap).Not(), mask); // 去 Inf Cv2.BitwiseAnd(mask, Cv2.IsNaN(depthMap).Not(), mask); // 去 NaN // 2. 获取有效点坐标X,Y,Z Mat pointsValid new Mat(); Cv2.FindNonZero(mask, pointsValid); // pointsValid 是 Nx1 的 Point2i存 (x,y) // 3. 用体素尺寸 5mm 构建哈希字典 Dictionarystring, ListPoint3f voxelDict new(); float voxelSize 5.0f; // 体素边长 5mm for (int i 0; i pointsValid.Rows; i) { int x pointsValid.GetPoint2i(i).X; int y pointsValid.GetPoint2i(i).Y; // 从 points3D 提取 (X,Y,Z) —— 注意 OpenCV 的 XYZ 顺序是 X,Y,Z float X points3D.Getfloat(y, x * 3 0); // 行y, 列x*3channel float Y points3D.Getfloat(y, x * 3 1); float Z points3D.Getfloat(y, x * 3 2); if (!float.IsFinite(X) || !float.IsFinite(Y) || !float.IsFinite(Z)) continue; // 计算体素索引向下取整 int vx (int)Math.Floor(X / voxelSize); int vy (int)Math.Floor(Y / voxelSize); int vz (int)Math.Floor(Z / voxelSize); string key ${vx},{vy},{vz}; if (!voxelDict.ContainsKey(key)) voxelDict[key] new ListPoint3f(); voxelDict[key].Add(new Point3f(X, Y, Z)); } // 4. 每个体素取重心作为代表点 ListPoint3f filteredPoints new(); foreach (var kvp in voxelDict) { float sumX 0, sumY 0, sumZ 0; foreach (var p in kvp.Value) { sumX p.X; sumY p.Y; sumZ p.Z; } filteredPoints.Add(new Point3f(sumX / kvp.Value.Count, sumY / kvp.Value.Count, sumZ / kvp.Value.Count)); } Console.WriteLine($体素滤波: {pointsValid.Rows} - {filteredPoints.Count} 点);为什么选 5mm小于 3mm 时点云过于稠密后续平面拟合计算量爆炸大于 10mm 时小物体如 M3 螺丝轮廓被抹平。5mm 是机械臂抓取、工件定位的黄金平衡点。5.2 平面拟合提取工作台基准面为后续坐标系转换奠基工业场景中必须将点云从相机坐标系转换到工件坐标系。最可靠方法是拟合工作台平面设其为 Z0 基准。OpenCV 的fitLine只支持 2D需手写 RANSAC 平面拟合// RANSAC 平面拟合简化版阈值 2mm Random rand new Random(); int maxIter 200; float distanceThreshold 2.0f; // 点到平面距离 2mm 视为内点 Point3f bestPlaneNormal new Point3f(); float bestPlaneD 0; int bestInlierCount 0; for (int iter 0; iter maxIter; iter) { // 随机选 3 个不共线点 int i1 rand.Next(filteredPoints.Count); int i2 rand.Next(filteredPoints.Count); int i3 rand.Next(filteredPoints.Count); if (i1 i2 || i2 i3 || i1 i3) continue; Point3f p1 filteredPoints[i1], p2 filteredPoints[i2], p3 filteredPoints[i3]; // 计算法向量 n (p2-p1) × (p3-p1) Point3f v1 new Point3f(p2.X - p1.X, p2.Y - p1.Y, p2.Z - p1.Z); Point3f v2 new Point3f(p3.X - p1.X, p3.Y - p1.Y, p3.Z - p1.Z); Point3f n new Point3f( v1.Y * v2.Z - v1.Z * v2.Y, v1.Z * v2.X - v1.X * v2.Z, v1.X * v2.Y - v1.Y * v2.X); // 归一化 float norm (float)Math.Sqrt(n.X * n.X n.Y * n.Y n.Z * n.Z); if (norm 1e-6f) continue; n.X / norm; n.Y / norm; n.Z / norm; // 计算平面常数 d -n·p1 float d -(n.X * p1.X n.Y * p1.Y n.Z * p1.Z); // 统计内点 int inlierCount 0; foreach (var p in filteredPoints) { float dist Math.Abs(n.X * p.X n.Y * p.Y n.Z * p.Z d); if (dist distanceThreshold) inlierCount; } if (inlierCount bestInlierCount) { bestInlierCount inlierCount; bestPlaneNormal n; bestPlaneD d; } } Console.WriteLine($RANSAC 平面拟合: {bestInlierCount}/{filteredPoints.Count} 内点, 法向量({bestPlaneNormal.X:F3},{bestPlaneNormal.Y:F3},{bestPlaneNormal.Z:F3}));关键技巧拟合前先用mask截取工作台区域如图像下半部避免背景干扰。拟合后所有点云 Z 坐标减去bestPlaneD即完成到工作台坐标系的平移。5.3 ROI 截取与空间筛选聚焦目标物体丢弃无关背景最后一步用矩形 ROI 或空间立方体截取目标区域生成可用于测量的子点云// 方法1图像 ROI快适合已知物体在图像中的大致位置 Rect roiRect new Rect(300, 200, 400, 300); // x,y,width,height Mat roiMask new Mat(depthMap.Size(), MatType.CV_8UC1, Scalar.Black); roiMask[roiRect] Scalar.White; Cv2.BitwiseAnd(mask, roiMask, mask); // 更新有效点掩膜 // 方法2空间立方体精准需已知工件大致 XYZ 范围 float minX 100, maxX 300; // mm float minY -50, maxY 150; float minZ 0, maxZ 200; ListPoint3f finalPoints new(); for (int i 0; i filteredPoints.Count; i) { var p filteredPoints[i]; if (p.X minX p.X maxX p.Y minY p.Y maxY p.Z minZ p.Z maxZ) finalPoints.Add(p); } // 导出为 PLY 点云文件供 MeshLab 查看 ExportToPLY(finalPoints, output.ply); void ExportToPLY(ListPoint3f points, string path) { using StreamWriter sw new StreamWriter(path); sw.WriteLine(ply); sw.WriteLine(format ascii 1.0); sw.WriteLine($element vertex {points.Count}); sw.WriteLine(property float x); sw.WriteLine(property float y); sw.WriteLine(property float z); sw.WriteLine(end_header); foreach (var p in points) sw.WriteLine(${p.X:F3} {p.Y:F3} {p.Z:F3}); }我的习惯在调试阶段永远先用ExportToPLY导出点云用 MeshLab 打开旋转查看——这是验证整个链路是否正确的唯一可信判据。如果 MeshLab 里看到的点云歪斜、断裂、漂浮说明标定、校正或三角化必有一环出错如果点云干净连续再进入 C# 业务逻辑。这个习惯帮我规避了 70% 的“算法没错但结果不对”的伪问题。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
