OpenCV实现基于Zernike矩的亚像素边缘检测

    在做物体检测时，由于成本和应用场合的限制，不能够一味地增加相机的分辨率，或者已经用了分辨率很高的相机，但是视野范围很大，仍然无法实现很高的精度，这时就要考虑亚像素技术，亚像素技术就是在两个像素点之间进行进一步的细分，从而得到亚像素级别的边缘点的坐标（也就是float类型的坐标），一般来说，现有的技术可以做到2细分、4细分，甚至很牛的能做到更高，通过亚像素边缘检测技术的使用，可以节约成本，提高识别精度。

    常见的亚像素技术包括灰度矩、Hu矩、空间矩、Zernike矩等，通过查阅多篇论文，综合比较精度、时间和实现难度，选择Zernike矩作为项目中的亚像素边缘检测算法。基于Zernike矩的边缘检测原理，下一篇文章详细再总结一下，这里大体把步骤说一下，并使用OpenCV实现。

    大体步骤就是，首先确定使用的模板大小，然后根据Zernike矩的公式求出各个模板系数，例如我选择的是7*7模板（模板越大精度越高，但是运算时间越长），要计算M00，M11R，M11I，M20，M31R，M31I，M40七个Zernike模板。第二步是对待检测图像进行预处理，包括滤波二值化等，也可以在进行一次Canny边缘检测。第三步是将预处理的图像跟7个Zernike矩模板分别进行卷积，得到7个Zernike矩。第四步是把上一步的矩乘上角度校正系数（这是因为利用Zernike的旋转不变性，Zernike模型把边缘都简化成了x=n的直线，这里要调整回来）。第五步是计算距离参数l和灰度差参数k，根据k和l判断该点是否为边缘点。以下是基于OpenCV的实现。

#include <math.h>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

const double PI = 3.14159265358979323846;
const int g_N = 7;

Mat M00 = (Mat_<double>(7, 7) <<
	0, 0.0287, 0.0686, 0.0807, 0.0686, 0.0287, 0,
	0.0287, 0.0815, 0.0816, 0.0816, 0.0816, 0.0815, 0.0287,
	0.0686, 0.0816, 0.0816, 0.0816, 0.0816, 0.0816, 0.0686,
	0.0807, 0.0816, 0.0816, 0.0816, 0.0816, 0.0816, 0.0807,
	0.0686, 0.0816, 0.0816, 0.0816, 0.0816, 0.0816, 0.0686,
	0.0287, 0.0815, 0.0816, 0.0816, 0.0816, 0.0815, 0.0287,
	0, 0.0287, 0.0686, 0.0807, 0.0686, 0.0287, 0);

Mat M11R = (Mat_<double>(7, 7) <<
	0, -0.015, -0.019, 0, 0.019, 0.015, 0,
	-0.0224, -0.0466, -0.0233, 0, 0.0233, 0.0466, 0.0224,
	-0.0573, -0.0466, -0.0233, 0, 0.02