如何高精度计算标记边缘方向并将边缘绘制到图像中

整体方案不依赖角点检测，直接基于完整边缘像素做直线拟合，精度优于两点连线法，实现流程如下：

• 图像预处理
  先将输入图转为灰度图，做33高斯模糊降噪，再用Canny算子提取边缘，最后做12的形态学闭运算，把同一条边缘上的微小断裂连接起来，避免边缘被拆成碎段。
• 有效边缘段筛选
  对Canny输出的边缘二值图做连通域分析，将互相连通的边缘像素归为独立的边缘段，过滤掉长度小于标记边长1/3的杂边、曲率波动超过阈值的非直边，最终保留属于标记的4条完整长直边缘，每一段存储所有归属的像素坐标。
• 整段边缘直线拟合（核心高精度步骤）
  对每一段保留的边缘像素集，采用正交最小二乘法做直线拟合：和普通最小二乘仅最小化纵向误差不同，该方法会最小化所有边缘点到拟合直线的垂直距离，完全利用整条边缘的像素信息，不会受角点定位偏差的影响。
  调用OpenCV内置的cv2.fitLine接口即可快速实现，接口默认采用L2距离准则，对应正交最小二乘逻辑，拟合后直接得到直线的方向向量、直线上的基准点，可直接通过方向向量计算边缘的角度值，精度可达亚像素级。
• 结果绘制
  基于拟合得到的直线参数，计算直线与标记外接矩形的两个交点，用指定颜色在原图上绘制边缘线段；再在每条边缘的中点位置，沿直线方向绘制箭头，标注计算得到的方向角度，即可匹配预期效果。

输入图像示意

预期实现效果示意

核心代码参考 #

import cv2
import numpy as np

def fit_edge_line(edge_pixels):
    """
    传入单条边缘的所有像素坐标（shape为[N,2]的numpy数组）
    返回直线方向向量、直线上基准点、边缘方向角度
    """
    # 正交最小二乘拟合直线
    [vx, vy, x0, y0] = cv2.fitLine(
        edge_pixels, 
        distType=cv2.DIST_L2, 
        param=0, 
        reps=0.01, 
        aeps=0.01
    )
    # 计算边缘方向角（转换为0-360度范围）
    angle = np.arctan2(vy, vx) * 180 / np.pi
    angle = angle % 360
    return vx, vy, x0, y0, angle

# 边缘绘制逻辑示例
def draw_edge(img, vx, vy, x0, y0, color=(0,255,0), thickness=2):
    # 延长直线到图像边界，得到两个绘制端点
    h, w = img.shape[:2]
    # 直线参数方程：(x0 + t*vx, y0 + t*vy)
    t_left = -x0 / vx if vx !=0 else 0
    t_right = (w - x0) / vx if vx !=0 else 0
    t_top = -y0 / vy if vy !=0 else 0
    t_bottom = (h - y0) / vy if vy !=0 else 0
    ts = [t for t in [t_left, t_right, t_top, t_bottom] if t>0]
    t1, t2 = min(ts), max(ts)
    p1 = (int(x0 + t1*vx), int(y0 + t1*vy))
    p2 = (int(x0 + t2*vx), int(y0 + t2*vy))
    cv2.line(img, p1, p2, color, thickness)

优化提示 #

• 不建议直接用霍夫变换检测直线，霍夫变换的参数空间离散化会带来固定的角度误差，精度低于连续边缘拟合方案。
• 首次拟合后可过滤掉到拟合直线距离超过1像素的离群点，用剩余点做二次拟合，能消除边缘毛刺、局部噪点对结果的影响，进一步提升精度。

内容的提问来源于stack exchange，提问作者michael