基于OpenCV卡尺法的工业零件边缘距离精准测量实践-CSDN博客

1. 为什么工业质检需要“卡尺法”？从人工到像素的进化

在工厂的生产线上，质检员拿着游标卡尺或千分尺，对着一个个零件反复测量，记录数据，这场景你一定不陌生。这种传统方式，精度依赖人的经验和手感，速度慢，还容易疲劳出错。当生产线速度越来越快，对精度要求达到微米甚至亚微米级时，人工测量就成了瓶颈。

这时候，机器视觉就该上场了。你可能听说过用OpenCV找轮廓、画矩形框来测尺寸，比如先找到零件的整个外轮廓，然后算最小外接矩形的宽和高。这个方法对付形状规则、背景干净的零件还行，但一遇到复杂情况就抓瞎。比如零件表面有反光、有油污、边缘本身是圆弧过渡而不是陡峭的直角，或者我们只想测量零件上某两个特定特征点（比如两个小孔的中心）之间的距离，而不是整个零件的尺寸。用找轮廓的方法，很可能连边缘都找不准，或者找到的不是你想要的那条边。

这就像你想量一下书本封面上两个印刷字之间的距离，结果却量了整个书本的宽度，完全不是一回事。卡尺法，就是为了解决这种“精准定位局部边缘”的需求而生的。它的思路非常直观：想象在图像上，你手动（或自动）画了一条测量线，就像把一把虚拟的卡尺放在了零件上。然后，程序只关心这条线上像素的灰度变化，通过分析这条“一维采样线”上的信号，精确找到边缘跳变的位置。这个方法不关心零件整体长啥样，只聚焦在你画的那条线上，因此抗干扰能力强，特别适合工业场景中结构化的、重复性的高精度测量任务。

我最早接触这个方法，是因为一个检测手机中框螺丝孔距的项目。客户要求孔心距的测量精度必须达到±0.01mm，用传统的轮廓法，受螺丝孔内螺纹和光照阴影的影响，结果波动很大。后来改用卡尺法，只分析两个孔边缘之间的连线，稳定性一下子就上来了。所以，如果你也在为类似的高精度、抗干扰的测量需求头疼，那卡尺法绝对值得你花时间掌握。

2. 卡尺法核心：把二维图像“压扁”成一维信号

卡尺法的精髓，在于一次降维打击。我们把图像上一条斜着的、弯曲的（理论上可以是任何路径）测量线，通过数学变换，“拉直”成一条水平的一维灰度信号曲线。这个过程，就好比用一把刀沿着测量线把图像“切”开，然后把切面展开铺平。

2.1 构建仿射变换矩阵：为测量线建立坐标系

实现这个“拉直”操作，核心是构建一个仿射变换矩阵。别被这个词吓到，你可以把它理解为一个“搬家说明书”，它告诉程序：原来图像（源空间）里测量线上的每一个点，应该对应到新的一维信号（目标空间）里的哪个位置。

具体来说，我们需要测量线的两个端点 p0(x0, y0) 和 p1(x1, y1)。我们的目标是建立一个新坐标系：

X轴：沿着从 p0 指向 p1 的方向。这是我们的一维采样方向。
Y轴：垂直于这条线的方向。在我们的一维采样中，Y轴其实被“压缩”了，因为我们只取线上点的值，但数学上需要它来完整定义变换。

build_transform 函数就是干这个的。它计算了直线的方向向量 (dx, dy) 和长度。关键参数有两个，你只需要指定一个：

stride：采样步长（单位：像素）。比如设为0.5，就是每隔0.5个像素采一个样，这就是实现亚像素精度采样的关键！传统方法只能按整像素采样，而步长0.5意味着我们能在两个物理像素之间插值出新的点，精度直接翻倍。
nsamples：你希望在一维信号中得到多少个采样点。程序会根据直线长度自动计算步长。

函数内部构建了一个3x3的齐次变换矩阵 H，然后提取出前两行构成2x3的仿射变换矩阵 A。这个矩阵 A 就包含了“如何从一维坐标映射回原始图像坐标”的所有信息。我们稍后会用到它的逆变换。

import numpy as np

def build_transform(p0, p1, stride=None, nsamples=None):
    """
    构建沿测量线的仿射变换矩阵。
    p0, p1: 测量线端点，格式 (x, y)
    stride: 采样步长（像素），用于亚像素采样。与nsamples二选一。
    nsamples: 期望的采样点总数。与stride二选一。
    返回: (采样点数, 2x3仿射变换矩阵)
    """
    x0, y0 = p0
    x1, y1 = p1
    dx = x1 - x0
    dy = y1 - y0
    length = np.hypot(dx, dy)  # 直线长度

    if nsamples is not None:
        # 根据总采样数计算步长
        factor = 1.0 / nsamples
        stride = length / nsamples
    else:
        if stride is None:
            stride = 1.0  # 默认整像素采样
        factor = stride / length
        nsamples = int(round(length / stride))

    # 构建齐次变换矩阵 H
    H = np.eye(3, dtype=np.float64)
    # X轴单位向量 (沿直线方向)
    H[0:2, 0] = (dx, dy)
    # Y轴单位向量 (垂直于直线，旋转90度)
    H[0:2, 1] = (-dy, dx)
    # 缩放因子，控制采样密度
    H[0:2, 0:2] *= factor
    # 平移，将原点移到p0点
    H[0:2, 2] = (x0, y0)

    # 确保齐次坐标部分正确
    assert np.allclose(H[2], [0, 0, 1])
    # 提取仿射变换部分 (2x3)
    A = H[0:2, :]
    return (nsamples, A)

2.2 执行亚像素采样：获取灰度信号曲线

有了变换矩阵 A，我们就能用OpenCV的 warpAffine 函数来采样了。这里有个技巧：我们提供的是从目标空间（一维线） 到源空间（原始图像） 的变换矩阵 A，但 warpAffine 通常需要源到目标的变换。所以我们需要使用 cv.WARP_INVERSE_MAP 标志，告诉函数：“我给你的这个矩阵是逆变换，你直接用就行。”

dsize=(nsamples, 1) 这个参数设置非常巧妙。它告诉OpenCV，我们要创建一个宽度为 nsamples、高度为1的图像。warpAffine 会为这个“一行像素”的图像的每一个x坐标（从0到nsamples-1），利用变换矩阵 A 反向找到原始图像中对应的亚像素位置，并通过插值（比如