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：
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：
OpenCV 内部相当于：
cpp
Sobel(blur, grad_x, CV_16S, 1, 0);
Sobel(blur, grad_y, CV_16S, 0, 1);然后得到：
梯度幅值：
梯度方向：
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：
python
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：
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：
更精确但计算更慢。
如果你对边缘精度要求高，应启用 L2gradient：
python
edges = cv2.Canny(gray, 50, 150, L2gradient=True)示例
python
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()执行效果：
