在工业检测、文档分析等场景中，从图像中提取边缘并精准查找直线是核心需求。本文通过 "Canny 边缘检测 + 形态学闭运算 + 霍夫变换" 的组合流程，演示直线提取的完整实现，新手可直接复用。
核心代码实现
python
import cv2 as cv
import numpy as np
# 1. 读取图像并转灰度
src = cv.imread('.\image\11.bmp')
if src is None:
print('could not load image')
exit()
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 2. Canny边缘检测（双阈值：100/200）
threshold1 = 100
edges = cv.Canny(gray, threshold1, threshold1*2, apertureSize=3)
# 3. 闭运算优化边缘：填补边缘断裂，强化直线特征
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 3))
closed1 = cv.morphologyEx(edges, cv.MORPH_CLOSE, kernel)
# 4. 概率霍夫变换查找直线
lines = cv.HoughLinesP(closed1, 1, np.pi/180, 10, minLineLength=200, maxLineGap=100)
# 5. 创建纯白画布绘制检测到的直线
outimage = np.zeros((src.shape[0], src.shape[1]), np.uint8)
outimage.fill(255)
# 6. 绘制直线并显示
cv.imshow('edges', closed1)
print(f"检测到的直线数量：{len(lines)}") # 打印直线数量便于调试
if lines is not None:
for line in lines:
x1, y1, x2, y2 = line[0]
cv.line(outimage, (x1, y1), (x2, y2), (0, 0, 0), 2) # 黑色直线更清晰
# 自适应窗口显示（匹配原图尺寸）
cv.namedWindow('outimage', cv.WINDOW_NORMAL)
cv.resizeWindow('outimage', src.shape[1], src.shape[0])
cv.imshow('outimage', outimage)
cv.waitKeyEx(0)
cv.destroyAllWindows()关键知识点解析
1. 核心流程拆解
| 步骤 | 核心 API | 作用说明 |
|---|---|---|
| 边缘检测 | cv.Canny() |
提取图像边缘，双阈值（1:2）是经验值，apertureSize=3 为默认卷积核 |
| 边缘优化 | cv.morphologyEx(..., MORPH_CLOSE) |
闭运算填补边缘断裂，让直线特征更连续 |
| 直线查找 | cv.HoughLinesP() |
概率霍夫变换，高效查找直线，避免传统霍夫变换计算量大的问题 |
| 直线绘制 | cv.line() |
在纯白画布上绘制检测到的直线，直观展示结果 |
2. 霍夫变换关键参数
rho=1：距离分辨率（像素）；theta=np.pi/180：角度分辨率（弧度）；threshold=10：检测阈值（投票数≥此值才判定为直线）；minLineLength=200：最小直线长度（过滤短杂线）；maxLineGap=100：直线段最大间隙（间隙内的线段视为同一直线）。
3. 优化与避坑点
- Canny 阈值调整：若边缘漏检，降低 threshold1；若噪点多，提高 threshold1；
- 闭运算核尺寸：核越大，边缘填补效果越强，需根据直线粗细调整；
- 空值判断 ：新增
if lines is not None，避免无直线时索引报错； - 颜色适配 ：灰度画布用
(0,0,0)（黑色）绘制直线，比绿色更清晰。
总结
- 直线提取核心流程：Canny 边缘检测→闭运算优化→霍夫变换查找；
- 霍夫变换的
minLineLength和maxLineGap是过滤杂线、合并线段的关键； - 闭运算可有效填补边缘断裂，大幅提升直线检测准确率。