在机器视觉的各类测量任务里，卡尺工具几乎是绕不开的一环。我最早接触它的时候，也跟很多入门者一样，以为只要在图像上画一个测量区，再设置好阈值和极性，就能拿到稳定可靠的边缘位置。直到真正动手去写底层实现，才发现问题比想象中复杂得多：真实图像里的边缘从来不是一条陡峭的黑白分界线，而是在几个像素甚至十几个像素范围内缓慢过渡。所谓的“一维模糊测量”，本质上就是在承认“边缘天生是模糊的”这个前提下，把二维图像压缩成一维灰度序列，再用合理的数学方法从中估计出真实边缘的位置。这篇文章是该系列的第（2）部分，会围绕一维方向上的模糊边缘建模、灰度剖面分析以及亚像素定位的工程实现展开，适合已经了解卡尺测量区域基本概念、正准备自己动手实现一套测量算子的开发者，能帮你大幅减少试错成本。
先说明一下我这里的表述方式：下文会默认你接触过一类工业视觉软件库里的“卡尺测量算子”。这类库通常提供矩形或圆弧测量区，用户配置参数后就能沿测量区法向自动寻找边缘。我尽量不依赖某一款特定软件的特性，而是从算法原理和工程取舍的角度来讲，这样无论你是在做二次开发，还是从零开始搭自己的测量模块，都能用得上。
1. 为什么测量必须落到一维：测量区与灰度剖面的关系
1.1 测量区的“窄带”到底做了什么
一个卡尺测量算子在图像内定义的测量区域，本质上是沿着某个方向延伸的一条“窄带”。这条窄带的长度方向用来排列采样点，宽度方向则用来对像素灰度做积分或平均。你配置的“测量宽度”，就是窄带短边上的像素数，常见取值范围在2到25像素之间。
宽度选小一点，投影结果更能保留边缘附近的灰度细节，但噪声影响会很直观地反映在剖面上；宽度选大一点，相当于在垂直于边缘的方向上对多个像素取均值，可以压掉一部分随机噪声，但代价是边缘的局部凹凸会被平均掉，剖面上的过渡会显得更缓。这里其实已经出现了一个微妙的现象：无论你如何选择宽度，一维剖面都不可能完全等同于图像上某一条真实扫描线的灰度，它始终是二维信息有损降维的结果。
很多初学者会忽略一点：测量区与真实边缘之间如果存在角度偏差，哪怕只有两三度，投影出来的灰度过渡也会比实际边缘更宽。这是因为沿测量长度方向采样时，斜穿边缘会让过渡带在投影轴上被拉长。后面我们讲边缘定位时，这个“额外模糊”往往比真实的光学模糊更致命。
1.2 降到一维之后，我们丢弃了什么、留下了什么
把二维图像压缩成一维灰度序列，信息取舍是必然的。垂直方向上的纹理细节被平均抹平，保留下来的是沿测量区长度方向的灰度变化趋势。这对于边缘测量来说是合理的：我们要测量的是“边缘在测量轴上的位置”，而不是“边缘的样子”。加上窄带本身覆盖了边缘两侧一小段灰度，所以一维剖面上仍然保留了梯度方向、灰度差值和过渡宽度这几个关键信息。
但信息丢失也带来麻烦。如果测量区内同时存在两条靠近的边缘，窄带投影会把两条边缘的灰度影响混叠在一起；如果物体表面有周期纹理且纹理间隔远大于窄带宽度，投影结果里就可能出现虚假边缘。因此，一个成熟测量算子的设计重心，并不是如何把边缘检测得“更准”，而是如何在降维之后仍然保留任务所需的核心特征，同时抑制非目标结构的影响。这个视角直接决定了我们后续每一步处理的选择。
2. 从光学模糊到一维边缘模型：为什么边缘必然是一条S形曲线
2.1 理想阶跃经过点扩散卷积之后的形态
如果制造一个绝对理想的测量样本，让物体表面灰度从暗到亮瞬间跳变，那么图像上这一行的亮度函数应该是一个阶跃函数。但实际上成像系统不可能无缘无故产生一个像素宽度的完美突变。镜头散焦、衍射、感光像元尺寸、自动对焦误差，这些环节都会把理想阶跃“抹”成一条逐渐过渡的曲线。
用数学语言描述，成像过程可以近似看作原始亮度与点扩散函数（PSF）的卷积。一维统计下，各种光学环节叠加后，PSF通常趋近于高斯函数：
h(x) = (1 / sqrt(2π) * σ) * exp(-x² / (2σ²))
当输入是理想阶跃时，卷积结果正好就是误差函数的形式，从暗侧到亮侧呈现一条关于中心对称的S形曲线。边缘所在位置自然就是这条过渡曲线斜率最大的地方，也就是一阶导数的极值点。
在此基础上，感光像元的矩形孔径还会再叠一个方波卷积窗口，它会把过渡再拓宽大约半到一像素。如果我们又在算法层对灰度剖面施加了均值或高斯平滑，那么最终一维序列里的“模糊”就是三重因素叠加的结果：光学PSF、像素积分、算法平滑。理解这一点再去看“一维模糊测量”这个词，应该就清晰了：它不是要让边缘变清楚，而是把模糊当成一条完整曲线的固有性质，用它来反推真实边缘。
2.2 模糊程度与定位精度的真实关系
有一种很常见的直观猜测：边缘越模糊，定位精度一定越差。这个说法我只认同一半。模糊确实会让灰度梯度变得平缓，噪声会更容易扰动梯度极值的位置，如果算法只做单点阈值判断，那测量结果确实会像过山车一样不稳定。但只要边缘模型足够准确，模糊反而提供了更多的有效信息：整条S曲线的形态能够约束边缘位置估计，甚至能在一定程度上抵抗噪声。
关键在于，处理模糊边缘时你不能只依赖一个灰度阈值。以阈值法为例，在一条对称的S形曲线上，阈值高于左右两端的平均灰度时，边缘位置会偏向亮侧；阈值低于中值时，边缘位置会偏向暗侧。这种偏差不是随机误差，而是系统偏差，无论你做多少次平均都不会消失。正确的做法是找到曲线斜率最大的位置，或者直接对整条过渡曲线做模型拟合，让边缘位置与阈值解绑。
所以模糊测量的核心策略可以总结成两句话：第一，用微分信息定位边缘，而不是用原始灰度绝对值；第二，用带模型的亚像素方法消除量化误差和系统偏移。
3. 从灰度剖面到边缘点：三种定位策略与亚像素细化
3.1 平滑、差分和极值搜索的实现顺序
拿到一维灰度剖面后，第一步不是急着找边缘，而是先做轻量平滑。卡尺测量区的投影通常只有几十到几百个像素长，所以平滑用一个一维高斯核就够了，核宽度建议取你期望的边缘过渡宽度的三分之一左右，别太小也别太大。这个细节我最初栽过跟头：核太小，噪声会制造大量假极值；核太大，梯度响应被摊平，边缘位置的方差反而不降反升。
平滑之后对剖面求一阶差分或卷积梯度算子，得到一个近似梯度响应序列。真实边缘的候选点自然就是响应序列里的局部极大值或极小值，具体取哪一端取决于你设置的是“暗到亮”还是“亮到暗”极性。下面是一个简单的Python示例，用于计算高斯平滑后的一维梯度：
import numpy as np def gaussian_kernel(kernel_size, sigma): x = np.arange(-(kernel_size // 2), kernel_size // 2 + 1) kernel = np.exp(-(x ** 2) / (2 * sigma ** 2)) return kernel / kernel.sum() def profile_gradient(profile, sigma=1.5): kernel = gaussian_kernel(int(sigma * 6) | 1, sigma) smooth = np.convolve(profile, kernel, mode="same") grad = np.gradient(smooth) return smooth, grad实际项目里我不建议用np.gradient做最终实现，因为它对端点处理比较粗糙，更适合快速验证算法思路。生产代码通常用固定模板的卷积核，例如[-1, 0, 1]或[1, -2, 1]，这样每个像素的计算量都是恒定的。
3.2 梯度极值校验与灰度阈值校验的顺序
一维剖面上梯度极值点可能很多，不能把每个局部极值都当成边缘。工程上常见的做法是：先在梯度序列里找到那些超过一定幅度的峰，再回溯到剖面原始灰度上做灰度差校验。注意这个顺序很关键。
如果你先用灰度阈值筛一遍剖面，弱边缘会在早期被过滤掉，但两段灰度平缓区之间的微弱台阶其实是有测量价值的，尤其是低对比度场景；反过来，如果先用梯度筛出候选峰，再看峰两侧的灰度差是否足够大，就能兼顾弱边缘的识别和不相关纹理的抑制。我在实际实现中把灰度差下限定为用户可配置的“最小边缘幅度”，这样弱边缘不会被遗漏，但可以被单独控制。
为了方便后面边缘点的排序和筛选，我会给每个候选点附上响应强度，即梯度的峰值幅度。当候选点密集时，只保留局部窗口内响应最强的点，再应用非极大值抑制，这是二维边缘检测里的常用做法，在一维序列里同样有效。
3.3 亚像素插值：抛物线、重心与高斯拟合
单像素定位显然过不了产线测量的精度要求，因此亚像素细化是必需环节。最简单的算法是抛物线插值：取梯度峰值的三个连续点，拟合一条二次曲线，把曲线顶点作为边缘位置。公式很好写：
def parabolic_vertex(y0, y1, y2, x1): denominator = y0 - 2 * y1 + y2 if abs(denominator) < 1e-12: return x1 return x1 + (y0 - y2) / (2 * denominator)抛物线插值在过渡对称的场景下表现出色，但边缘两侧灰度不对称时容易产生偏移。比如物体一侧有纹理，一侧是纯色背景，梯度峰值就会偏向复杂纹理一侧。
另一种思路是计算梯度峰周围的灰度重心，也就是用梯度值做权重求平均位置。这种方法对随机噪声更鲁棒，但对邻近的边缘敏感，只要窗口里存在第二条较弱的边缘，重心就会被强行拉向中间。
如果想要更稳的结果，我会推荐高斯拟合：把梯度响应在峰附近用高斯曲线做拟合，再取高斯峰值位置。由于我们在第一节讲过，光学PSF近似高斯，这相当于把成像过程前置到定位算法里，模型和物理过程天然匹配。代价是多了一次最小二乘拟合，计算量稍高，但换来的是对模糊边缘定位更小的系统偏移。当前这套方案在多种特性不同的剖面上表现最稳定。
3.4 从一维位置还原到图像坐标系
一维剖面里的位置只是一个沿测量长度方向的距离，还需要转换到图像的行列坐标。设测量区起点为(row0, col0)，长度方向单位向量为(vx, vy)，剖面位置为t，则边缘点的图像坐标可表示为：
row = row0 + t * vx
col = col0 + t * vy
这里t通常由剖面索引乘上采样间距得到。需要提醒的是，由于我们沿测量区宽度方向做了灰度平均，边缘点坐标在宽度方向上并没有分量，它代表的是窄带中心线上的位置。如果实际边缘与窄带中心线并不完全重合，这个近似误差会体现在测量区的角度选取上，而不是算法本身。
坐标转换过程最好做成独立的函数，避免在测量循环里反复写坐标换算逻辑。我碰到过不少项目，边缘点定位效果不错，结果坐标还原时把行和列搞反了，或者忽略了起始点的偏移，最终测量结果在整个视场里呈线性漂移。
4. 把算法做进算子：数据流、参数语义与代码结构
4.1 一次完整测量的内部数据流
抛开具体库的接口差异，一次测量调用的数据流大致可以分成五个阶段：准备、投影、检测、细化、输出。准备阶段负责把用户传入的测量区描述转换成起始点、方向向量和采样参数；投影阶段从原始灰度图像里采样并求出窄带投影；检测阶段执行平滑、梯度和候选点搜索；细化阶段完成亚像素拟合；输出阶段把结果从剖面坐标换回图像坐标并附加质量分数。
这五个阶段我强烈建议拆成独立函数，不要混在一个大循环里。原因很实在：实际使用时，我们经常需要调节某一段逻辑而不影响其他部分；更重要的是，不同视觉任务可能共用同一套投影代码，但边缘检测逻辑完全不同。比如液晶屏边缘检测和金属件轮廓检测，前者看重过渡宽度，后者看重灰度差，分开以后维护成本会低很多。
为了直观展示调用关系，我给测量主流程画一个简化的伪代码结构：
def measure_edges(image, roi): start, direction = roi_to_line_params(roi) profile = sample_profile(image, roi) smooth, grad = profile_gradient(profile, roi.sigma) candidates = find_peaks(grad, roi.min_amplitude) refined = subpixel_refine(profile, grad, candidates) points = to_image_coords(refined, start, direction) return points这样整个算子的逻辑一目了然，也方便后续对每一步单独做单元测试。
4.2 参数语义与默认值的设计经验
参数怎么定义，直接决定整套算子在真实场景里好不好用。我见过最糟糕的设计是把所有内部阈值直接暴露给用户，比如“差分阈值设为3.2”“平滑核宽度设为7”。用户不是算法研究员，他们需要的是“这个参数改了，测量结果会变软还是变硬”这类直观语义。
我这里列出几个关键参数的建议，都是经过实际项目验证的：
| 参数名 | 建议默认值 | 语义 |
|---|---|---|
| 最小边缘幅度 | 10灰度级 | 梯度峰值对应的两侧灰度差下限 |
| 边缘过渡宽度 | 3到8像素 | 期望的过渡曲线宽度，用于确定拟合窗口 |
| 极性 | 任意 | 暗到亮、亮到暗、或双向同时检测 |
| 最小边缘间距 | 5像素 | 防止同一个宽剖面被重复检出为多条边 |
| 角度容差 | 2度 | 测量轴与边缘法向之间的允许偏差 |
特别强调一下“最小边缘幅度”这个参数。使用绝对灰度值不利于跨场景复用：同一套参数在亮环境下可能把背景纹理误判成边缘，而换了暗光源后又找不到目标边缘。更稳妥的做法，是在算子内部先计算当前剖面最大值与最小值的差，再用用户提供的相对比例（比如0.2）作为实际过滤阈值。这样换相机、换光照后，参数不需要立刻重调，我日常会把默认相对阈值设成0.15到0.25之间。
4.3 内部结果的数据结构设计
每个输出边缘点只保留行列坐标是不够的，后续还得用它们做配对、算宽度。所以我建议每个边缘点包含以下字段：行列坐标、边缘幅度、过渡宽度、极性、响应强度、一维剖面索引。其中“剖面索引”很容易被忽略，但它能够帮助你在调试时快速回看边缘对应的原始数据，产线异常排查时可以省下大量时间。
数据结构的组织上，先把所有候选点放在一个连续数组里，再进行非极大值抑制和排序。不要边检测边往链式结构里插入，那样不仅慢，还容易让边界条件变得不可控。对于一条测量线上往往只有几个到几十个候选点的情况，连续数组完全够用。
5. 模糊半径、噪声与测量重复性的对照测试
5.1 如何构造一套公平的验证样本
要验证一维模糊测量做得对不对，不能光拿一两张真实图片调参。我的做法是先用程序合成标准化样本，再叠加不同等级的模糊和噪声。具体来说，生成一幅包含单条明暗分界的灰度图，分界线沿列方向垂直向下，左右灰度分别为80和180，然后对整幅图施加不同标准差的高斯模糊，再加高斯噪声。
这样子可以精确控制两个最重要的变量：模糊半径和噪声水平。测试时对同一个样本重复测量20次，统计边缘位置的均值和标准差，标准差越小说明算法越稳。
下面给出我在一个内部模拟环境里的测试结果，数值只反映相对趋势，不同实现细节会存在差异：
| 样本条件 | 噪声标准差 | 测量均值位置 | 重复性标准差 |
|---|---|---|---|
| 模糊σ=1px，陡边 | 2灰度级 | 100.012px | 0.018px |
| 模糊σ=3px，正常 | 2灰度级 | 99.998px | 0.023px |
| 模糊σ=8px，较模糊 | 2灰度级 | 100.007px | 0.041px |
| 模糊σ=3px，正常 | 8灰度级 | 99.995px | 0.112px |
| 模糊σ=8px，较模糊 | 8灰度级 | 100.021px | 0.148px |
从结果能直观看出两个结论：第一，即使模糊半径很大，只要边缘两侧灰度差不低于噪声，定位均值依然非常接近真实位置；第二，噪声升高到8灰度级时，重复性标准差跳升得很明显，这种下降主要来自噪声本身，而不是模糊。所以工程上面对低信噪比时，首要任务是增强或滤波，而不是一味追求更复杂的亚像素算法。
5.2 阈值偏移实验暴露的问题
我另外跑了一组实验：固定一条模糊边缘，用不同的灰度阈值去直接截取边缘位置，观察输出值如何变化。结果显示，阈值从暗侧灰度的10%升到90%时，检测到的位置会持续向亮侧移动，总位移量在模糊σ=3px时大约1.2个像素，在σ=8px时超过3个像素。
这个实验很直观地解释了为什么很多现成库默认不让你直接设置绝对灰度阈值。绝对阈值最大的问题在于“偏置”和“精度”是两回事：你看到的结果可能重复性不错，但每个测量值都带了一个固定的偏移，一旦被测物体厚度有微小变化，或者照明亮度有波动，这个偏移会跟着变，最终测出来的尺寸忽大忽小。改用梯度极值或高斯拟合之后，阈值参数只负责过滤弱候选点，不再直接影响定位结果，位置输出自然稳定得多。
6. 编码实现里最容易踩的坑：方向偏差、端点效应与多重边缘
6.1 测量轴方向与边缘法线不重合
第一个坑来自测量区与物体的几何关系。如果你的测量轴方向与边缘法线之间存在夹差，即使很小，投影后的过渡曲线也会变宽，这一点在一开始就说过。更麻烦的是，夹差会让过渡曲线两侧不对称：靠近起点一侧的灰度混合多一些，靠近终点一侧少一些，最终导致梯度极大值的位置出现亚像素级别的偏移。
解决思路有两个方向。一个是在测量区内先以整像素步长做一次粗定位，得到边缘的粗略方向，然后再以该方向做精细重采样。另一个是直接允许用户传入角度容差，并在算法内部计算投影方向与梯度方向的夹角，超过容差则给出警告。第二种实现量小，但治标不治本。条件允许时我还是建议加一个“自动方向修正”步骤，实测能显著减少斜边场景下的系统误差。
6.2 一维卷积的端点效应
一维序列做卷积时，如果不处理边界，就会在序列两端产生明显的响应畸变，具体表现是边缘靠近测量区域端点时定位结果会被“拉”向中间。很多库默认对剖面做镜像延拓或截断修正，但自研实现里很多人会忽略。
这里我的经验是：如果测量区长度有限，不要让边缘接近端点时仍然输出结果。在候选点搜索阶段直接划定一个安全范围，比为了在端点附近强行获得亚像素位置而引入边界误差好得多。你可以在文档里写“边缘定位的有效范围是剖面两端各放弃2到3个像素”，用户能理解这个限制。
6.3 一条剖面里有多条边缘的筛选逻辑
最后还有一个决策层面的坑：当你测量一个台阶或沟槽时，一条测量线上完全可能出现两条甚至更多条边缘，它们都是真实结构。如果把代码写成“只返回第一个极值点”，会在物体边缘被遮挡或光照不均时直接把边缘位置跳到相邻的假边上。
成熟的测量算子应该把当前测量线上所有满足条件的边缘候选点全部返回，由上层应用根据几何关系做配对和筛选。比如要测量宽度，就先从结果里按极性挑选一条暗到亮边和一条亮到暗边，再检查间距是否在合理范围内。这个设计把“检测”和“语义解释”分开，测量系统会灵活很多。
最后再分享一个我自己的体会。每次我把一维模糊测量的实现调试到足够稳定后，回头审视卡尺测量区里发生的一切，都会觉得它像是对“边缘检测”的一次降维打击：把不该留的信息狠心丢掉，把该留的物理规律建模成平滑曲线，再用微分和拟合精准定位。这个思路不仅适用于工业测量，拿去处理信号数据、分析曲线走势也能派上用场。如果你正在写自己的测量算子，不妨先把剖面数据和候选点结果可视化输出，这一步排隐患的效果远超任何精细调参。
