如何检测图像中星迹边缘相对于X轴的平均角度

方案一：霍夫变换+加权角度平均 #

霍夫变换对断续线性结构的鲁棒性极强，适合星迹这类场景：

• 先对边缘图二值化，保留星迹边缘为前景像素
• 使用cv2.HoughLinesP检测所有星迹线段，获取每条线段的端点坐标
• 对每条线段计算角度：基于端点(x1,y1)、(x2,y2)，斜率k=(y2-y1)/(x2-x1)，角度theta = arctan(k)；注意ds9坐标系（左下角为原点）的y轴方向与常规图像相反，需将角度修正为180° - theta（或根据实际坐标映射调整）
• 以线段长度为权重做角度加权平均，过滤短噪声线段的干扰

方案二：优化后的PCA方法 #

针对之前PCA结果不稳定的问题，核心是过滤噪声点：

• 提取边缘图中所有非零像素的坐标集合
• 用3σ原则过滤离群噪声点：计算点集的坐标均值与标准差，剔除超出均值±3*标准差范围的点
• 对筛选后的点集执行PCA，提取主成分特征向量(dx, dy)，根据向量方向计算角度，同样注意坐标系的y轴修正
• 主成分方向即为星迹的平均朝向，结果稳定性会大幅提升

方案三：梯度方向统计法 #

利用边缘检测的梯度信息直接统计朝向：

• 若使用Canny等带梯度输出的边缘检测算法，提取所有边缘像素的梯度方向与幅值
• 以梯度幅值为权重，对梯度方向做加权平均；或统计梯度方向的众数，取出现频次最高的方向
• 将统计结果转换为目标坐标系下的角度

关键优化细节 #

• 噪声预处理：先对边缘图执行开运算（cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)），去除孤立噪声点，减少无效数据干扰
• 角度归一化：将角度统一到[0°, 180°]区间，避免直线正反方向被误判为不同角度
• 坐标系校准：明确ds9与计算所用坐标系的映射关系，确保角度转换准确

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