4、2D视觉定位：边缘检测、轮廓提取与中心点计算

各位好，欢迎来到第4章。

上一章我们聊了相机标定，把像素和物理世界的映射关系搞清楚了。但标定完，相机拿到一张图，我们怎么知道目标在哪儿？怎么把它的位置告诉机械臂？

这就是2D视觉定位要干的事。说白了，就是从图像里把目标“抠”出来，算出它的中心点坐标。

我个人习惯把这一章叫做“视觉抓取的第一公里”。因为后面所有的位姿精调、抓取规划，都依赖这一步给出的像素坐标。如果这一步偏了，后面再怎么调也是白搭。

4.1 边缘检测：找到物体的“边界线”

图像里，物体和背景之间通常有亮度突变。边缘检测，就是找到这些突变的位置。

我最早做项目时，以为边缘检测越复杂越好。后来发现，对于工业场景，简单的方法往往更可靠。你想想看，产线上光照稳定，背景单一，用经典的Canny算子就足够了。

4.1.1 Canny边缘检测流程

Canny不是一步到位的，它分几步走：

1. 高斯滤波：先降噪，避免把噪点当成边缘。
2. 计算梯度：用Sobel算子算出每个像素的梯度强度和方向。
3. 非极大值抑制：只保留梯度方向上的局部最大值，让边缘变细。
4. 双阈值检测：设定高低两个阈值，高于高阈值的保留，低于低阈值的丢弃，中间的看是否与高阈值边缘相连。

嗯，这里要注意。双阈值设得太高，边缘会断掉；设得太低，会引入大量噪声。我在项目中遇到过，一个工件表面有轻微划痕，低阈值设到50以下，划痕全被当成边缘了，轮廓提取直接失败。

4.1.2 OpenCV实现

代码其实很简单，几行就搞定：

import cv2

# 读取图像，转为灰度
img = cv2.imread('target.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯滤波，核大小5x5
blurred = cv2.GaussianBlur(gray, (5, 5), 1.5)

# Canny边缘检测
edges = cv2.Canny(blurred, 50, 150)

# 显示结果
cv2.imshow('Edges', edges)
cv2.waitKey(0)

4.2 轮廓提取：从边缘到“形状”

边缘检测得到的是二值图，一堆白色像素点。但机械臂需要知道“这是一个圆”或“这是一个矩形”。这就需要轮廓提取了。

轮廓提取，就是把相邻的边缘像素点连起来，组成一个封闭的轮廓。

4.2.1 findContours函数

OpenCV里用findContours来做：

# 从边缘图提取轮廓
contours, hierarchy = cv2.findContours(
    edges,
    cv2.RETR_EXTERNAL,   # 只提取最外层轮廓
    cv2.CHAIN_APPROX_SIMPLE  # 压缩轮廓点，节省内存
)

这里有两个关键参数：

参数	选项	说明
检索模式	RETR_EXTERNAL	只取最外层轮廓，适合抓取场景
检索模式	RETR_TREE	提取所有层级轮廓，适合有孔洞的工件
近似方法	CHAIN_APPROX_SIMPLE	只保留端点，减少数据量
近似方法	CHAIN_APPROX_NONE	保留所有点，精度高但数据量大

4.2.2 轮廓筛选

提取出来的轮廓可能有很多，不是每个都要处理。我一般按以下条件过滤：

• 面积：太小的轮廓是噪声，直接丢弃。
• 周长：结合面积可以判断形状的紧凑程度。
• 外接矩形宽高比：排除明显不符合目标形状的轮廓。

# 筛选轮廓
valid_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area < 500:  # 面积太小，跳过
        continue
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = w / h
    if 0.5 < aspect_ratio < 2.0:  # 宽高比在合理范围
        valid_contours.append(cnt)

4.3 中心点计算：给机械臂一个“抓取点”

轮廓有了，接下来要算中心点。机械臂抓取时，通常抓物体的几何中心。

4.3.1 图像矩法

图像矩（Image Moments）是计算轮廓中心最常用的方法。它把轮廓当成一个“质量分布”，算出质心。

# 计算轮廓矩
M = cv2.moments(cnt)

# 防止除零
if M['m00'] != 0:
    cx = int(M['m10'] / M['m00'])
    cy = int(M['m01'] / M['m00'])
else:
    cx, cy = 0, 0

为什么用矩？因为它对轮廓的轻微变形不敏感。工件边缘有一点毛刺，算出来的中心点变化很小。

4.3.2 最小外接圆法

对于圆形或近似圆形的工件，用最小外接圆的圆心更直观：

# 最小外接圆
(x, y), radius = cv2.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(radius)

4.4 完整流程与SVG知识图谱

把上面几步串起来，就是完整的2D视觉定位流程。我画了一张图，方便你理解整体脉络：

4.5 实战中的避坑指南

最后，分享几个我在实际项目中遇到的坑，希望能帮你少走弯路。