边缘检测详解：Sobel、Scharr、Laplacian、Canny
边缘检测是图像处理和计算机视觉中的重要步骤，主要用于发现图像中亮度变化剧烈的区域，即物体的轮廓、边界或纹理特征。OpenCV 提供了多种常用的边缘检测算子，本教程将通过四种方法带大家详细学习：Sobel、Scharr、Laplacian、Canny。
图片准备：
可直接使用下图，也可自备图片
以下所有处理后的结果：
一、Sobel 算子
1. 原理
Sobel 算子本质上是 一阶导数算子 ，通过对图像在 x方向和y方向 上分别求导，检测像素灰度变化最明显的部分。
-
dx=1, dy=0：只检测水平方向（垂直边缘）。
-
dx=0, dy=1：只检测垂直方向（水平边缘）。
-
将两者结合，可以得到完整的边缘信息。
2. 函数原型
cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])参数说明：
-
src：输入图像，可以是灰度图或彩色图。
-
ddepth ：输出图像的深度，常用
cv2.CV_64F保存负数梯度信息。 -
dx, dy：求导方向，dx=1 表示对x方向求导，dy=1 表示对y方向求导。
-
ksize：卷积核大小，常用3或5，必须为奇数。
| 参数 | 说明 |
|---|---|
| src | 输入图像，可以是灰度图或彩色图。 |
| ddepth | 输出图像的深度（如 cv2.CV_64F 保留负值，-1 表示与原图一致）。 |
| dx | x方向导数阶数（1 表示对x方向求导）。 |
| dy | y方向导数阶数（1 表示对y方向求导）。 |
| ksize | 卷积核大小（必须为奇数，常用 3、5、7）。 |
| scale | 缩放因子，默认 1。 |
| delta | 偏移量，默认 0。 |
| borderType | 边界模式，默认 cv2.BORDER_DEFAULT。 |
3. 示例代码
import cv2
img = cv2.imread('violet.jpg', flags=0)#不用灰度试试效果
img = cv2.resize(img,(800,500))
cv2.imshow('img',img)
cv2.waitKey(0)
img_x_64 = cv2.Sobel(img,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
img_x_full = cv2.convertScaleAbs(img_x_64)#转换为绝对值，负数转换为正数
img_y_64 = cv2.Sobel(img,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
img_y_full = cv2.convertScaleAbs(img_y_64)#转换为绝对值，负数转换为正数
img_xy_sobel_full = cv2.addWeighted(img_x_full, 1, img_y_full, 1, 0)
cv2.imshow('img_xy_sobel_full',img_xy_sobel_full)
cv2.waitKey(0)4. 特点
-
简单高效，适合大多数情况。
-
容易受噪声影响。
二、Scharr 算子
1. 原理
Scharr 算子是 Sobel 算子的改进版本，当卷积核大小为 3 时，它在近似旋转对称性方面更优，因此检测效果更清晰、平滑。
2. 函数原型
cv2.Scharr(src, ddepth, dx, dy)相比 Sobel，参数更少，专门优化了 3×3 核的情况。
| 参数 | 说明 |
|---|---|
| src | 输入图像。 |
| ddepth | 输出图像深度（如 cv2.CV_64F）。 |
| dx | x方向导数阶数（只能取1）。 |
| dy | y方向导数阶数（只能取1）。 |
| scale | 缩放因子，默认 1。 |
| delta | 偏移量，默认 0。 |
| borderType | 边界模式，默认 cv2.BORDER_DEFAULT。 |
3. 示例代码
img_x_64 = cv2.Scharr(img,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
img_x_full = cv2.convertScaleAbs(img_x_64)#转换为绝对值，负数转换为正数
img_y_64 = cv2.Scharr(img,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
img_y_full = cv2.convertScaleAbs(img_y_64)#转换为绝对值，负数转换为正数
img_xy_Scharr_full = cv2.addWeighted(img_x_full, 1, img_y_full, 1, 0)
cv2.imshow('img_xy_Scharr_full',img_xy_Scharr_full)
cv2.waitKey(0)4. 特点
-
对细节和纹理捕捉更好。
-
运算速度和 Sobel 接近，但效果更佳。
三、Laplacian 算子
1. 原理
Laplacian 算子是 二阶导数算子 ，通过检测像素灰度的二阶变化，直接找出边缘。
与 Sobel、Scharr 不同，它不分方向，而是直接整体检测。
2. 函数原型
cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])参数说明：
-
src：输入图像。
-
ddepth：输出图像深度。
-
ksize：卷积核大小（一般取1、3、5）。
| 参数 | 说明 |
|---|---|
| src | 输入图像。 |
| ddepth | 输出图像深度（如 cv2.CV_64F）。 |
| dst | 输出图像（可选，通常不写）。 |
| ksize | 卷积核大小，必须为正奇数（常用 1、3、5）。 |
| scale | 缩放因子，默认 1。 |
| delta | 偏移量，默认 0。 |
| borderType | 边界模式，默认 cv2.BORDER_DEFAULT。 |
3. 示例代码
img_lap = cv2.Laplacian(img,cv2.CV_64F)
img_lap_full = cv2.convertScaleAbs(img_lap)#转换为绝对值，负数转换为正数
cv2.imshow('img_lap_full',img_lap_full)
cv2.waitKey(0)4. 特点
-
可以快速检测边缘，但更容易受噪声干扰。
-
常与高斯滤波结合使用（Laplacian of Gaussian, LoG）
四、Canny 算子
1. 原理
Canny 是经典的 多阶段边缘检测算法，相比前面三种更稳定、抗噪能力更强。其步骤包括：
-
高斯滤波去噪。
-
计算梯度强度与方向。
-
非极大值抑制（只保留局部最大边缘）。
-
双阈值检测（区分强边缘与弱边缘，并进行连接）。
2. 函数原型
cv2.Canny(image, threshold1, threshold2[, apertureSize[, L2gradient]])参数说明：
-
image：输入图像，最好是灰度图。
-
threshold1：低阈值。
-
threshold2：高阈值。
-
apertureSize：Sobel 算子的核大小（默认3）。
| 参数 | 说明 |
|---|---|
| image | 输入图像（必须是单通道灰度图）。 |
| threshold1 | 低阈值，用于边缘连接。 |
| threshold2 | 高阈值，用于确定强边缘。 |
| apertureSize | Sobel 算子的卷积核大小（默认 3，可取 3、5、7）。 |
| L2gradient | 计算梯度幅值的方法，默认为 False（使用 L1 范数），若为 True 使用 L2 范数，边缘更精确但计算量更大。 |
3. 示例代码
img_canny = cv2.Canny(img, threshold1=150, threshold2=230)#低，高
cv2.imshow('img_canny',img_canny)
cv2.waitKey(0)4. 特点
-
效果最优，边缘清晰完整。
-
阈值选择影响很大。
五、效果对比总结
| 算子 | 类型 | 是否分方向 | 抗噪性 | 特点 |
|---|---|---|---|---|
| Sobel | 一阶导数 | 是 | 一般 | 快速，适合简单边缘检测 |
| Scharr | 一阶导数 | 是 | 较好 | Sobel改进，细节更清晰 |
| Laplacian | 二阶导数 | 否 | 差 | 对噪声敏感，常与滤波结合 |
| Canny | 多阶段检测 | 否 | 强 | 最优，边缘清晰完整 |
六、实践建议
-
快速检测：用 Sobel 或 Scharr。
-
细节要求高：优先 Scharr。
-
检测轮廓：Laplacian + 高斯滤波。
-
稳定性优先：Canny。
这样，一张图像可以通过这四种算子分别得到不同风格的边缘信息，从而应用在 目标检测、图像分割、OCR、医学影像分析 等场景中。