OpenCV(三十一)：边缘检测Canny

Canny 边缘检测是一种经典且常用的图像边缘提取算法，由 John Canny 在 1986 年提出。它在 OpenCV 中得到了高效实现，是结构化光、SLAM、医学影像分析与机器视觉领域中最常用的边缘检测方法之一。其目标是以最优方式识别图像中的边缘，既能准确检测真实边缘，又能保持较强的抗噪能力与定位精度。边缘通常对应灰度变化剧烈的区域，但噪声也会产生剧烈变化。如果不去噪，边缘会出现大量虚假响应

却道天凉_好个秋

1001人浏览 · 2025-11-19 22:24:37

却道天凉_好个秋 · 2025-11-19 22:24:37 发布

基本原理

Canny 边缘检测是一种经典且常用的图像边缘提取算法，由 John Canny 在 1986 年提出。它在 OpenCV 中得到了高效实现，是结构化光、SLAM、医学影像分析与机器视觉领域中最常用的边缘检测方法之一。其目标是以最优方式识别图像中的边缘，既能准确检测真实边缘，又能保持较强的抗噪能力与定位精度。

Canny 算法之所以经典，是因为它通过数学推导给出了边缘检测的三个最优准则：

检测率高（Good Detection）：尽可能找到真实边缘；
定位准确（Good Localization）：检测到的边缘点应准确落在真实边缘位置；
一次响应（Minimal Response）：相同边缘只产生一条响应，避免多条边缘线。

Canny 算法实现包含 5 个关键步骤：

第一步：噪声抑制（Gaussian Blur）

边缘通常对应灰度变化剧烈的区域，但噪声也会产生剧烈变化。如果不去噪，边缘会出现大量虚假响应。因此 Canny 算法的第一步是使用高斯滤波进行平滑：

GaussianBlur(src, blur, Size(3,3), 1.0);

高斯滤波使用如下数学形式的卷积核：

在这里插入图片描述

σ 越大，平滑越强，但也会模糊真实边缘。

第二步：计算梯度（Sobel）

Canny 使用 Sobel 算子计算图像在水平方向与垂直方向的梯度：

在这里插入图片描述

OpenCV 内部相当于：

Sobel(blur, grad_x, CV_16S, 1, 0);
Sobel(blur, grad_y, CV_16S, 0, 1);

然后得到：

梯度幅值：

在这里插入图片描述

梯度方向：

在这里插入图片描述

梯度方向说明边缘的方向，梯度越大表示边缘越强。

第三步：非极大值抑制（NMS）

未经处理的梯度图会出现宽厚的边缘带，这不符合 “一次响应” 原则。NMS 的目标是 细化边缘：

根据梯度方向确定像素的比较方向（四种情况：0°、45°、90°、135°）
当前像素的梯度如果不是局部最大值，则置为 0

这种方法能有效将粗边缩减为优美细线。

第四步：双阈值检测（Double Threshold）

Canny 的创新点之一就是“双阈值”，使用高低两个阈值 T1（低）、T2（高）：

强边缘：G > T2
弱边缘：T1 < G ≤ T2
非边缘：G ≤ T1

为何要这样做？

边缘是连通的，一个强边缘附近往往会有梯度较弱的像素；
如果只用单阈值，弱边可能被直接丢弃；
双阈值允许保留“可能属于边缘”的弱像素。

第五步：边缘连接（Hysteresis）

弱边缘并不是全部保留，而是需要与强边缘连接才认为是真实边。

过程如下：

对所有强边缘保留；
对弱边缘，若与强边相邻（8 连接），则保留；
其他弱边缘舍弃。

最终得到干净、连续、不重复的边缘线。

OpenCV 中的 Canny 函数

OpenCV 在 Python 中提供的 Canny 边缘检测函数原型如下：

cv2.Canny(image, threshold1, threshold2, edges=None, apertureSize=3, L2gradient=False)

1. image（输入图像）

类型：uint8 单通道（灰度图）
说明：如果传入的是彩色图，OpenCV 不会报错，但会自动将像素分量混合，使结果不可控。

建议永远手动转换为灰度图：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

2. threshold1（低阈值）

用于双阈值检测中的“弱边缘”判断。
越低 → 保留越多弱边缘（噪声也更多）
越高 → 结果越干净，但容易漏掉细节边缘

一般经验：

low = 0.66 * 中位数

3. threshold2（高阈值）

用于判定“强边缘”
边缘必须 > threshold2 才能直接保留为强边

常用经验规则：

threshold2 ≈ 2 × threshold1

建议：

图像干净 → 高阈值可放宽
图像噪声大 → 高阈值应提高

4. edges（输出图像，可忽略）

一般不需要传入，由 OpenCV 创建：

edges = cv2.Canny(image, 50, 150)

5. apertureSize（Sobel 算子卷积核尺寸）

默认值：3
可选：3, 5, 7

它决定了梯度计算的卷积核大小（Sobel 算子大小），影响梯度平滑程度。

apertureSize	特点
3	默认，精度好
5	边缘更平滑，适合噪声较大图像
7	更强的平滑，适合强噪声环境

6. L2gradient（梯度幅值计算方式）

默认：False
控制梯度幅值计算方法：

False（默认）

使用简单加和：

在这里插入图片描述

速度较快，在多数应用中足够。

True

使用更准确的欧几里得距离：

在这里插入图片描述

更精确但计算更慢。

如果你对边缘精度要求高，应启用 L2gradient：

edges = cv2.Canny(gray, 50, 150, L2gradient=True)

示例

import cv2
import numpy as np

# 1. 读取图像
img = cv2.imread("test.jpg")

# 检查是否读取成功
if img is None:
    raise FileNotFoundError("无法找到图像，请检查路径 test.jpg 是否存在！")

# 2. 转灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 3. 高斯滤波（Canny 内部也会处理，但建议手动提高效果）
blur = cv2.GaussianBlur(gray, (3, 3), 1)

# 4. 设置 Canny 双阈值
low_threshold = 50
high_threshold = 150

# 5. 执行 Canny 边缘检测
edges = cv2.Canny(
    blur,
    low_threshold,
    high_threshold,
    apertureSize=3,
    L2gradient=True  # 使用更精确的梯度计算
)

# 6. 显示结果
cv2.imshow("Original", img)
cv2.imshow("Gray", gray)
cv2.imshow("Canny Edges", edges)
cv2.waitKey(0)
cv2.destroyAllWindows()