【测量】知识点

测量的核心是在高精度的定位基础上，通过数学方法计算几何尺寸。

1. 亚像素定位算法 (Sub-pixel Localization)

这是高精度测量的基石，目标是将特征点（如边缘、角点）的定位精度突破物理像素的限制，达到0.1甚至0.01像素的级别。

基于矩的方法 (Moment-based)

• 原理： 利用灰度图像的灰度分布矩来计算灰度重心。对于边缘，通过计算边缘附近区域的灰度重心来亚像素定位边缘位置。

• 公式（一维边缘灰度重心）: sub_pixel_x = Σ(x * I(x)) / Σ(I(x))，其中x是像素坐标，I(x)是灰度值。

• 特点： 计算速度快，适用于光斑、刀边等特征的定位。

• 优点： 计算非常快，适用于实时系统。

• 缺点： 假设光条灰度分布是对称的，如果分布不对称（如受噪声干扰），精度会下降。

• 改进： 可以先对profile进行高斯平滑，再计算重心，以提高抗噪性。

• 示例：“在测量芯片焊球高度的项目中，需要亚像素精度定位焊球顶点。我使用了灰度重心法对激光线扫图像中的激光光条中心进行提取。首先通过高斯滤波降噪，然后通过简单的阈值分割粗定位光条区域，最后在每一列像素上计算该区域的灰度重心，作为光条中心的亚像素坐标。这种方法将我们的定位重复精度从1个像素稳定提升到了0.2个像素以内。”

#include <iostream>
#include <opencv2/opencv.hpp>
#include <vector>/*** @brief 使用灰度重心法提取激光线的亚像素中心坐标（针对单行或单列）* @param profile 输入的灰度剖面数据（可以是单行或单列的像素灰度值）* @return 亚像素精度的中心位置*/
double calculateSubpixelCenter(const cv::Mat& profile) {double sumIntensity = 0.0;double weightedSum = 0.0;// 确保profile是单行或单列的向量for (int i = 0; i < profile.cols; i++) { double intensity = profile.at<uchar>(0, i); // 获取灰度值sumIntensity += intensity;we