3分钟搞懂欧式距离变换（EDT）：从暴力算法到Felzenszwalb的演进史

关注

VIP免费原创最新推荐文章于 2026-07-03 13:42:20 发布 970 阅读 AI 写同款· GEO 优化 ›

线性时间求解点集所有点最近邻的Felzenszwalb算法最近在做字体渲染的相关内容，利用FreeType可以提取出ttf文件中具体某个字符的轮廓图，这个轮廓图是二值化的图像，后续的处理需要用到图像上的每个点到字体轮廓线的最近距离，即要求平面上的每个点与轮廓线的最近邻。可以考虑使用KD树，这里介绍一下Felzenszwalb算法，它可以在O(KN)的复杂度内完成所有点的最近邻求解，其中K是点集的维度，N是点的总个数。一维情形的求解首先介绍一维... 阅读详情

从暴力到优雅：欧式距离变换（EDT）算法的演进与实战

如果你处理过机器人路径规划、图像形态学分析，或者任何需要计算像素到最近“障碍物”距离的任务，那么“欧式距离变换”（Euclidean Distance Transform, EDT）这个词对你来说一定不陌生。它听起来像是一个复杂的数学概念，但本质上，它解决的是一个非常直观的问题：给定一张二值图像（比如，黑色代表障碍物，白色代表自由空间），如何高效地为每一个白色像素点，计算出它到最近黑色像素点的真实欧几里得距离？这个距离图，就是EDT。

早期的开发者可能会选择最直接的方法——暴力计算。想象一个512x512的图像，对于每一个白色像素，遍历所有黑色像素计算距离，再取最小值。这个计算量是灾难性的。正是这种从“不可用”到“实时计算”的需求，驱动了EDT算法长达数十年的演进。今天，我们不再需要忍受分钟级的等待，得益于一系列聪明的算法革新，我们能在毫秒级完成同样的任务。这篇文章，我将带你穿越这段技术演进史，不仅理解每种算法的核心思想，更会通过具体的代码示例和场景对比，让你掌握如何在实际项目中选用最合适的“武器”。

1. 理解EDT：不仅仅是距离计算

在深入算法之前，我们必须先厘清EDT究竟在做什么，以及它为什么如此重要。EDT输入一张二值图像，输出一张相同尺寸的灰度图（或距离场）。输出图像中每个像素的值，代表了该位置到最近背景点（通常指目标物体或障碍物）的欧几里得距离。

注意：在计算机视觉和机器人领域，对“背景”和“前景”的定义可能相反。常见的是，将值为0的像素视为障碍物（目标点），值为1的像素视为自由空间（空间点）。EDT计算的是每个自由空间点到最近障碍物的距离。

EDT与曼哈顿距离、棋盘格距离变换有本质区别。后两者计算的是基于网格的近似距离（分别只允许横向/纵向移动，或允许八方向移动），计算简单但不符合真实世界的物理距离。欧式距离才是我们生活中感知的距离，因此EDT在需要精确几何信息的应用中无可替代。

它的核心应用场景包括：

机器人学与ESDF地图：这是EDT当前最火热的应用领域。在基于栅格的地图中，EDT可以快速生成欧几里得符号距离场（ESDF）。ESDF不仅提供距离信息，还通过正负号区分点在障碍物内部还是外部，是无人机、机器人进行安全、平滑路径规划（如Fast Planner）的基石。
图像处理与形态学：用于图像骨架化、形状匹配、图像分割（如分水岭算法的预处理）等。
计算机图形学：用于生成距离场字体、几何形状的偏移等。

理解一个概念最好的方式是从最朴素的方法开始。这就引出了我们的第一个主角：暴力算法。

2. 算法演进史：从蛮力到智慧

2.1 第一阶段：暴力算法（Brute Force）—— 思维的起点

暴力算法的逻辑简单到令人发指，也慢到令人绝望。其伪代码可以概括为：

# 假设二值图像 binary_img， 0为障碍物，1为自由空间
height, width = binary_img.shape
edt_result = np.full((height, width), np.inf) # 初始化距离为无穷大

# 第一步：收集所有障碍物坐标
obstacle_points = []
for y in range(height):
    for x in range(width):
        if binary_img[y, x] == 0:
            obstacle_points.append((x, y))

# 第二步：为每个自由空间点计算到所有障碍物的最小距离
for y in range(height):
    for x in range(width):
        if binary_img[y, x] == 1:
            min_dist = np.inf
            for (ox, oy) in obstacle_points:
                dist = np.sqrt((x - ox)**2 + (y - oy)**2) # 欧式距离
                if dist < min_dist: