如何用OpenCV-Python高效计算图像中误差线与目标线的距离？

核心逻辑 #

通过颜色分割提取红色像素点与黑色目标线，对黑色线拟合出直线方程，再用向量化计算快速得到所有红色点到该直线的距离，最终统计所需误差值（平均/最大/最小等），全程利用OpenCV内置函数和numpy向量化操作保证效率。

具体步骤与代码实现 #

1. 图像读取与颜色空间转换 #

将图像从RGB转为HSV，HSV对颜色分割的鲁棒性更强：

import cv2
import numpy as np

# 读取图像
img = cv2.imread("A1JNs.png")
# 转换为HSV颜色空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

2. 提取红色像素点 #

红色在HSV中分为两个区间（Hue环形特性），生成掩码后提取所有红色点的坐标：

# 红色HSV范围
lower_red1 = np.array([0, 70, 50])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 70, 50])
upper_red2 = np.array([180, 255, 255])

# 生成红色掩码
mask_red1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask_red2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask_red = cv2.bitwise_or(mask_red1, mask_red2)

# 提取红色点坐标（格式为(n,1,2)，转为(n,2)）
red_points = cv2.findNonZero(mask_red).squeeze(axis=1)

3. 提取黑色目标线并拟合直线 #

通过HSV提取黑色区域，用霍夫直线检测得到黑色线的端点，再拟合出标准直线方程Ax + By + C = 0：

# 黑色HSV范围
lower_black = np.array([0, 0, 0])
upper_black = np.array([180, 255, 30])
mask_black = cv2.inRange(hsv, lower_black, upper_black)

# 霍夫直线检测黑色线（调整参数适配图像）
lines = cv2.HoughLinesP(mask_black, 1, np.pi/180, threshold=50, minLineLength=200, maxLineGap=10)
# 取检测到的第一条直线（假设图像中只有一条黑色目标线）
x1, y1, x2, y2 = lines[0][0]

# 拟合直线得到Ax+By+C=0的参数
A = y2 - y1
B = x1 - x2
C = x2*y1 - x1*y2

4. 快速计算所有红色点到直线的距离 #

用numpy向量化运算替代循环，大幅提升速度：

# 点到直线的距离公式：|Ax + By + C| / sqrt(A² + B²)
distances = np.abs(A * red_points[:,0] + B * red_points[:,1] + C) / np.sqrt(A**2 + B**2)

5. 统计误差值 #

根据需求计算对应的误差指标：

# 平均误差
mean_error = np.mean(distances)
# 最大误差
max_error = np.max(distances)
# 最小误差
min_error = np.min(distances)

print(f"平均误差: {mean_error:.2f} 像素")
print(f"最大误差: {max_error:.2f} 像素")
print(f"最小误差: {min_error:.2f} 像素")

关于OpenCV内置函数说明 #

OpenCV没有直接计算“两条线距离”的专用函数，但可以通过组合cv2.inRange（颜色分割）、cv2.findNonZero（提取像素坐标）、cv2.HoughLinesP（直线检测）这些内置函数，配合numpy的向量化计算，实现高效快速的误差计算。

内容的提问来源于stack exchange，提问作者Yosua Wijaya