结构光测量,一直都是一种有效的非接触测量手段,也是机器视觉理论应用在实际问题中的一种体现。结构光测量的产品逐渐出现在人们的日常生活和生产中,并且也有完整的理论体系作为支撑。结构光测量具有良好的准确性和快捷性,且有效的光编码方式使结构光测量具有良好的动态性。在机器视觉理论的众多实际应用中,结构光测量长期以来都是研究和应用的重点。三角测量原理是一种经典的测量原理,在现代的定位、测量以及检索探测方面都得到广泛的应用。三角测量是一种常见的传统测量方法,被应用在各种不同的测量场合,结构光测量就是利用了其基本原理,但是多数只是用于简单的距离测量。经过近十年的发展,针对结构光在实际测量中的应用提出了很多不同的采集和测量方法。除了最初的激光点测距,还有线型激光测量、多线激光测量以及编码光测量等。随着这些方法的不断完善,结构光测量渐成体系,且应用领域日益广泛。本文主要从编码结构光入手,利用线性反馈移位寄存器(LFSR)的计算方式,模拟其计算方法生成了具有良好窗口特性的伪随机编码阵列(M阵列),使投射到被测物的光线成为离散光斑,通过相机采集后进行解码、定位以及深度信息的测量计算。构建了一个测量范围为1000mm至5000mm的测量空间,同时测量精度控制在10mm内。在编码结构光测量过程中,采集阶段获取的图像具有大量离散符号,直接利用传统的阈值分割方法提取并识别时,会造成符号信息的缺失,不适宜全局内的阈值分割。常见的分割算法大部分都是对单一连通域进行操作,而采集到的结构光图像包含了大量的离散连通域,这些离散连通域的排布又构成了图像内容中的某个形体,为了区分出该形体,需要对由大量离散符号构成的区域中的全部符号进行区分和识别。显然,传统方法不能有效地解决该问题。针对传统分割方法的不足,结合数理统计的原理,提出了一种新的分割算法。该算法结合光线照度,定性地概括了离散符号的整体范围,从而将图像的前景和背景区分。实验表明,本算法可以得到由参数控制的区域轮廓,并利用该轮廓将前景分割出来,改善了后续图像处理和符号识别的效果,并证明了该算法的有效性。设计软件对测量结果进行分析和处理,并设计了一种数据结构,用于保存实际测量得到的深度信息。测量结果使用深度图和点云两种数据结构进行保存,并且对测量范围的精度分析后,构建一组具有16L的像素数据存储元,保存每个像素点所表示的深度信息。利用2S等工具,在计算机中绘制出点云,重构被测物体的三维信息,使测量结果更直观有效。