机器视觉中的偏振相机

标准的图像传感器只能测量两件事：落到像素上的光量（强度），以及（在使用 Bayer 滤镜时）光的颜色（波长）。但对于光的第三个基本属性--偏振状态--硅本身却完全无法感知。偏振相机和带偏振滤镜的成像系统正是用于捕捉这部分信息，精确测量光波振动的角度。这让视觉系统能够抑制干扰检测的镜面反射、增强某些表面特征的对比度，并改善对透明塑料中细微表面缺陷与应力图样的识别能力。

工作原理：传感器上的微型偏振器阵列

在历史上，机器视觉系统通过更复杂的方法来获取这类数据，比如让镜头前的偏振滤镜不断旋转以拍摄多张连续画面，或借助分光光路把光分配到多个传感器上。集成微型偏振器阵列的图像传感器（例如 Sony 的 Polarsens™）出现后，现代偏振相机才真正变得适合工业使用。

为了在单帧画面中捕捉偏振数据，传感器制造商会在硅片上方、像素阵列上覆盖一层线栅偏振器。这种架构与彩色相机的彩色滤镜阵列（CFA）非常相似。该网格被划分成不断重复的 2×2 区块，每个区块中的四个像素分别覆盖在不同方向的偏振滤镜下：0°、45°、90° 和 135°。

当光线落到这一 2×2 区块上时，四个像素会同时测量上述四个特定角度的光强。机器视觉软件随后用数学算法计算 Stokes 参数（共四个值，可完整描述一束光波的偏振状态），从而确定从目标反射回来的光的精确偏振状态。

视觉软件如何利用偏振数据

由于相机能在单帧中捕捉完整的偏振状态，软件可以从同一组原始数据中提取出多种不同类型的图像：

• 线偏振度（DoLP）：它计算入射光中偏振光与非偏振光的比例。高反光表面（如金属或玻璃）会强烈极化光线，而哑光表面则使其漫散射。DoLP 图像非常适合区分在标准灰阶图像中外观完全相同的不同材料。

• 线偏振角（AoLP）：它计算偏振光的具体角度，并以伪彩色（pseudocolor）来表示。这里的颜色表示物理角度而非波长。它主要用于检测表面 3D 朝向以及在均匀的平整材料上识别微小划痕。

• 虚拟去眩光（反光去除）：软件利用偏振数据，以数学方式识别并抑制造成眩光的高度偏振分量；保留下来的非偏振分量，则可呈现底层表面的洁净图像。

偏振应用决策矩阵

当调整 LED 角度等常规光学技巧已无法解决极端的反差或反光问题时，系统集成商就会选择偏振相机。

片上偏振的物理代价

与彩色相机的 Bayer 滤镜一样，在硅片上加一层物理网格也会带来工程上的代价，必须在系统设计中加以考虑。

1. 光灵敏度显著下降

从定义上讲，偏振滤镜会阻挡与其网格未能完美对齐的光波。即使不考虑线栅本身额外阻挡的部分光子，仅偏振滤镜本身就会让非偏振环境光的透过率下降约 50%。这一损耗必须通过加大照明强度或延长曝光时间来弥补。

2. 空间分辨率下降

由于传感器需要 2×2 的像素网格才能计算出一个偏振数据点，其有效空间分辨率会随之下降，这与 Bayer 彩色传感器的插值取舍非常类似。