ARTICLE · 1055798
机器视觉传统算法实战:亚像素、模板匹配、Blob分析、几何拟合与标定校正全解析
传统算法不是“过时”，在尺寸测量、定位引导、有无检测等结构化任务中，它比深度学习更稳定、更快、更可解释。
这篇文章把传统算法拆成五个核心模块，每个模块只讲最关键的选型逻辑和最容易踩的坑。
一、亚像素边缘提取：精度从像素级到0.1像素
为什么需要亚像素？
像素级边缘检测（Sobel、Prewitt）只能将边缘定位到整数像素坐标。以2448×2048分辨率、10mm视野为例，单像素等效物理尺寸约4.08μm。如果边缘定位精度只能做到1个像素，理论测量精度就是4μm级别。
亚像素算子将定位精度推进到0.1像素甚至0.05像素，等效物理精度达到0.41μm甚至更低。
核心算子选型
edges_sub_pix：最通用的亚像素边缘提取算子，基于Canny算法的改进版本，通过高斯导数滤波器实现亚像素级边缘定位。在金属零件尺寸测量中，重复测量标准差可稳定在0.3μm级别。
lines_gauss：基于Steger算法的线条中心提取，中心线坐标具有约0.05～0.1像素的重复精度，广泛用于激光条纹中心提取、细线检测。
常见坑
坑一：以为用了亚像素就能做到亚微米精度。 算法精度的天花板由物理系统决定——相机分辨率不够、镜头畸变过大、机械振动，这些物理限制会直接吃掉算法精度。
坑二：参数选取不当。 高斯导数滤波器的Sigma值决定了边缘提取的尺度和灵敏度。Sigma过小，噪声被放大；Sigma过大，边缘被平滑。
选型建议：先确认物理系统的精度上限，再选择匹配的算法精度。物理系统达不到的精度，算法再强也没用。
二、模板匹配：基于形状的匹配
与灰度匹配的本质区别
传统灰度匹配（NCC/SAD）基于像素灰度值比对，只能精确到像素等级，且对光照变化敏感。
基于形状的匹配（find_shape_model）采用几何边缘特征——训练阶段提取标准物的边缘轮廓，执行阶段对检测图像提取边缘特征，用几何关系计算最佳匹配位置。这带来了四个关键优势：
任意角度旋转：直接支持360°旋转
缩放容忍：无需重新训练模板
抗光照变化：基于边缘特征而非灰度值
部分遮挡容忍：即使目标被部分遮挡，仍能完成定位
关键参数
角度范围：限制搜索角度可以大幅提升速度。如果工件来料方向固定，将角度范围限制在±10°以内。
缩放范围：根据产品公差设定，不要盲目开大。
对比度：决定哪些边缘被纳入匹配。对比度太低，噪声边缘干扰；对比度太高，真实边缘被遗漏。
金字塔层数：层数越多，搜索越快，但精度下降。通常设置为自动。
常见坑
坑一：模板质量差。 模板图像模糊、光照不均、背景杂乱，会导致匹配率低。训练模板时要用清晰、光照均匀、背景干净的标准件图像。
坑二：搜索范围过大。 全图搜索、全角度搜索，速度慢且容易误匹配。先用ROI缩小搜索区域，再限制角度范围。
三、Blob分析：连通域提取与筛选
标准流程
阈值分割 → 连通域提取 → 特征筛选 → 输出结果
阈值分割：将图像二值化，分离目标与背景。自动阈值（如Otsu、max_separability）适合光照均匀的场景；手动阈值适合对比度稳定的场景。
连通域提取：将二值图像中相邻的像素合并为独立区域（Blob）。
特征筛选：根据面积、圆度、矩形度、凸性、长宽比等特征过滤掉噪声和无关区域。
常用特征
面积：过滤掉过小或过大的区域
圆度：区分圆形缺陷与线性划痕
矩形度：判断区域是否接近矩形
凸性：检测区域是否有凹陷或凸起
长宽比：区分细长缺陷与块状缺陷
常见坑
坑一：阈值选取不当。 阈值过高，目标区域被分割成碎片；阈值过低，目标与背景粘连。自动阈值不是万能的，光照不均时仍需手动调整。
坑二：粘连区域未分离。 多个目标连在一起时，需要先做形态学腐蚀或分水岭分割，再做Blob分析。
坑三：噪声未过滤。 二值化后残留的小噪点会干扰Blob统计。先做开运算或中值滤波。
四、几何拟合：直线、圆、椭圆的亚像素拟合
核心算子
fit_line_contour_xld：对XLD轮廓进行直线拟合，输出直线的起点、终点、法向量。
fit_circle_contour_xld：对XLD轮廓进行圆拟合，输出圆心坐标和半径。
fit_ellipse_contour_xld：对XLD轮廓进行椭圆拟合，输出椭圆中心、长短轴、旋转角度。
拟合算法选型
最小二乘法：适合轮廓点噪声小、无异常点的场景。
RANSAC：适合存在大量异常点（如毛刺、缺口）的场景，通过随机采样迭代找到最优模型。
Huber：介于两者之间，对中等程度的异常点有较好的鲁棒性。
常见坑
坑一：轮廓点选取不当。 拟合前需要先筛选轮廓点，剔除明显偏离的异常点。可以用轮廓长度、曲率等特征过滤。
坑二：拟合区域不完整。 如果只取圆弧的一小段做圆拟合，圆心位置会非常不稳定。圆弧覆盖角度越大，拟合越可靠。
五、标定与畸变校正
标定三要素
内参：焦距、主点坐标、像素尺寸。决定相机自身的成像特性。
外参：相机坐标系与物理坐标系之间的旋转和平移关系。决定像素坐标到物理坐标的映射。
畸变系数：径向畸变（k1、k2、k3）和切向畸变（p1、p2）。决定图像边缘的变形程度。
标定流程
准备标定板（棋盘格或圆点标定板）
采集不同姿态的标定图像（建议15-20张）
提取角点或圆心坐标
计算内参、外参、畸变系数
验证重投影误差——应控制在一个像素以内，超了重拍。
标定板要求
精度应至少为目标测量精度的5倍
使用低热膨胀系数材料（钢化玻璃或铝氮陶瓷），避免温度变化导致尺寸漂移
表面翘曲应小于0.05mm
常见坑
坑一：标定板覆盖范围不足。 标定图像只集中在视野中心，边缘畸变系数拟合不准。标定板必须覆盖视野的左上、右上、左下、右下、中心全区域。
坑二：忽略温度影响。 标定板热胀冷缩会导致尺寸漂移，标定环境温度应与工作环境一致。
坑三：畸变校正的时机。 如果项目只做有无检测、不涉及尺寸测量，畸变校正可以省略。但如果涉及尺寸测量、定位引导，畸变校正是必须的。
传统算法是机器视觉的基本功。
亚像素边缘提取决定测量精度上限，模板匹配决定定位稳定性，Blob分析决定缺陷检出能力，几何拟合决定测量重复性，标定与畸变校正决定像素到物理坐标的映射精度。
这五个模块做到位，结构化检测任务基本都能搞定。深度学习不是替代传统算法，而是在传统算法搞不定的场景中做补充。
关注我，后续按模块逐一拆解，每个模块给出更详细的实战方法和避坑指南。