亚像素边缘检测与高精度尺寸测量：从 Sobel 到 Zernike 矩一、一次"背锅"的测量事故三年前接手过一条轴承套圈内径的在线检测线。产品公差带是 Φ30.000 ± 0.010 mm，也就是 20 μm 的宽度。产线上用的是 500 万像素相机加 0.5× 远心镜头，像素当量标定下来是 18.6 μm/px。项目组当时的判断很朴素：精度要求 20 μm，像素当量 18.6 μm，勉强够了，于是直接用 OpenCV 的Canny取边缘，再用cv2.minEnclosingCircle拟合圆心算直径。上线第一天就出问题。同一只千分尺测出来 30.004 mm 的标准件，视觉系统在 29.996 到 30.015 之间来回跳，重复性标准差接近 6 μm，最大偏差 15 μm。按这个数据判，良品有相当比例会被判成超差。产线停线，工艺部门认为视觉系统"不可信"，而视觉团队认为相机分辨率不够——双方卡在"要不要换 2000 万像素相机"这个成本问题上僵了两周。真正的原因其实不在分辨率。把同一张图存下来逐帧分析后发现两件事：第一，像素级边缘的位置量化误差是结构性的。经典 Canny 输出的边缘点坐标是整数的，边缘被强制吸附到像素栅格上。哪怕算法完美，单侧边缘的位置误差也服从均匀分布，标准差约为1/12≈0.2891/\sqrt{12} \approx 0.2891/12​≈0.289px。一个直径由左右两条边缘确定，误差放大2\sqrt{2}2​倍，于是直径的标准差下限是0.289×2×18.6≈7.6μm0.289 \times \sqrt{2} \times 18.6 \approx 7.6\ \mu m0.289×2​×18.6≈7.6μm——这还没算噪声、标定和圆拟合的贡献。也就是说，在动手写一行代码之前，6 μm 的重复性已经被"像素栅格"这个物理事实判了死刑。第二，用minEnclosingCircle量直径在方法论上就是错的。它是包围圆，对单个离群边缘点极其敏感，而且它拟合的是"所有边缘点的外接圆"，与"内径"这个功能要素并不是同一个东西。内径应该用卡尺工具沿若干条径向扫描线定位边缘，再做最小二乘圆拟合。后来把边缘定位换成亚像素算法，重复性从 6 μm 降到 0.8 μm，同一套相机、同一只镜头，一分钱硬件没换。这篇文章就把这条路走一遍：亚像素边缘的数学本质是什么、几类主流算法怎么推导、工程上怎么写代码、以及那些让亚像素"失效"的坑。二、像素级边缘的极限在哪里2.1 边缘的连续模型工业图像里的边缘，绝大多数可以建模为一维阶跃函数与成像系统点扩散函数（PSF）的卷积。设理想边缘在x0x_0x0​处从AAA跳到BBB，成像系统沿测量方向的一维响应可近似为高斯 PSF（标准差σ\sigmaσ）：I(x)=A+(B−A)⋅12[1+erf⁡ ⁣(x−x02 σ)] I(x) = A + (B-A)\cdot \frac{1}{2}\left[1 + \operatorname{erf}\!\left(\frac{x - x_0}{\sqrt{2}\,\sigma}\right)\right]I(x)=A+(B−A)⋅21​[1+erf(2​σx−x0​​)]关键结论有三个：真实边缘位置x0x_0x0​是连续量，它落在两个像素之间。灰度剖面在x0x_0x0​处的一阶导取极大值（或二阶导过零点）。边缘的"陡峭程度"由σ\sigmaσ决定。σ\sigmaσ越小，边缘越锐利，可用于定位的信息越多；σ\sigmaσ越大，边缘越"糊"，定位方差越大。我们观测到的永远是采样后的离散序列I[n]=I(nΔ)I[n] = I(n\Delta)I[n]=I(nΔ)，Δ\DeltaΔ是像素当量。亚像素检测要做的，本质上是用离散样本估计连续函数的极值点位置。2.2 Canny 的定位方差Canny 给出了边缘检测的三条准则，其中定位准则的结论很值得记住。对于加性白噪声，一维阶跃边缘的 Canny 定位方差为：σx02≈σn2∑i∣di′∣2 \sigma_{x_0}^2 \approx \frac{\sigma_n^2}{\sum_i \left|d_i'\right|^2}σx0​2​≈∑i​∣di′​∣2σn2​​