计算机视觉--Opencv（边缘检测）

一、边缘检测的核心原理

图像的边缘本质上是像素灰度值发生剧烈变化的位置。在数字图像中，这种 "变化" 可以通过梯度运算来量化 ------ 梯度的大小代表变化的剧烈程度，梯度的方向代表变化的方向。

对于二维图像而言，梯度分为 X 方向（水平，左右）和 Y 方向（垂直，上下）：

X 方向梯度：检测垂直边缘（像素值在水平方向突变）
Y 方向梯度：检测水平边缘（像素值在垂直方向突变）

注意：

梯度计算会产生正负值（比如从亮到暗为负，从暗到亮为正），但图像像素值的显示范围是 0-255（uint8 类型），负数会被直接截断为 0，导致部分边缘信息丢失。因此在实际操作中，需要将梯度结果转换为 64 位浮点型（CV_64F）保存正负值，再通过取绝对值还原完整的边缘信息。

二、边缘检测Sobel算子详解

Sobel 算子的核心是通过两个 3×3 的卷积核（分别对应 X、Y 方向），与图像进行卷积运算，计算出每个像素点的梯度值，梯度值越大，说明该点越可能是边缘。

代码如下：

1.读取图片并显示原图

python 复制代码

yuan = cv2.imread(r"C:\Users\LEGION\Desktop\497f7b3881df229ede103f77c0e30d5e.png")
cv2.imshow('yuan',yuan)
cv2.waitKey(0)

运行结果：

2. X方向边缘检测（直接使用默认类型，丢失负数信息）

python 复制代码

yuan_x = cv2.Sobel(yuan,-1,dx=1,dy=0)
cv2.imshow('yuan_x',yuan_x)
cv2.waitKey(0)

cv2.Sobel参数说明：

src: 输入图像；ddepth: 输出图像深度，-1表示与原图类型一致（uint8）

dx: X方向导数阶数（1表示计算X方向梯度）；dy: Y方向导数阶数（0表示不计算）

运行结果：

3.X方向边缘检测（保留负数信息，还原完整边缘）

python 复制代码

# cv2.CV_64F：64位浮点型，可存储正负梯度值，避免信息丢失
yuan_x_64 = cv2.Sobel(yuan, cv2.CV_64F, dx=1, dy=0)
# cv2.convertScaleAbs：将浮点型结果转换为绝对值，并映射到0-255范围
yuan_x_full = cv2.convertScaleAbs(yuan_x_64)
cv2.imshow('X方向边缘（完整信息）', yuan_x_full)
cv2.waitKey(0)

cv2.CV_64F：64位浮点型，可存储正负梯度值，避免信息丢失

运行结果：

4.Y方向边缘检测（同理，保留负数信息）

python 复制代码

yuan_y = cv2.Sobel(yuan,-1,dx=0,dy=1)
cv2.imshow('yuan_y', yuan_y)
cv2.waitKey(0)

运行结果：

5.Y方向边缘检测（保留负数信息，还原完整边缘）

python 复制代码

yuan_y_64 = cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64,可保存负数
yuan_y_full= cv2.convertScaleAbs(yuan_y_64)#转换为绝对值,负数转换为正数
cv2.imshow('yuan_y_full', yuan_y_full)
cv2.waitKey(0)

运行结果：

6.同时使用x，y方向的结果如何呢? (不建议使用!!!)

python 复制代码

yuan_xy = cv2.Sobel(yuan,-1,dx=1,dy=1)
cv2.imshow('yuan_xy', yuan_xy)
cv2.waitKey(0)

运行结果：

原因：dx=1、dy=1会让两个方向的梯度相互干扰，边缘模糊，检测效果差

7.加权融合X/Y方向边缘

python 复制代码

yuan_xy_full = cv2.addWeighted(yuan_x_full, 1, yuan_y_full, 1, 0)
    cv2.imshow('X+Y方向加权融合（推荐）', yuan_xy_full)
    cv2.waitKey(0)

cv2.addWeighted参数说明：

src1, alpha(权重1), src2, beta(权重2), gamma(亮度偏移)

这里权重都设为1，gamma=0，表示两个图像等权重融合

运行结果：

三、四种边缘检测算子

1.Sobel算子

代码如下：

python 复制代码

zl =cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp",0)
zl_x_64 = cv2.Sobel(zl,cv2.CV_64F,dx=1,dy=0)
zl_x_full=cv2.convertScaleAbs(zl_x_64)
zl_y_64 = cv2.Sobel(zl,cv2.CV_64F,dx=0,dy=1)
zl_y_full=cv2.convertScaleAbs(zl_y_64)
zl_xy_sobel_full = cv2.addWeighted(zl_x_full, 1,zl_y_full,1,0)
cv2.imshow('zl_xy_sobel_full',zl_xy_sobel_full)
cv2.waitKey(0)

运行结果：

2.Scharr 算子（增强版 Sobel）

Scharr 算子是 Sobel 算子的改进版本，使用更大的卷积核（3×3），对边缘的检测精度更高，尤其适合高分辨率图像或需要精细边缘的场景。

代码如下：

python 复制代码

zl = cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp",cv2.IMREAD_GRAYSCALE)
zl_x_64 = cv2.Scharr(zl,cv2.CV_64F,dx=1,dy=0)#默tilint8改为float64,可保存负数
zl_x_full =cv2.convertScaleAbs(zl_x_64)#转换为绝对值，负数转换为正数
zl_y_64 = cv2.Scharr(zl,cv2.CV_64F,dx=0,dy=1)#默t认int8改为float64,可保存负数
zl_y_full= cv2.convertScaleAbs(zl_y_64)#转换为绝对值，负数转换为正数
zl_xy_Scharr_full = cv2.addWeighted(zl_x_full, 1,zl_y_full,1,0)
cv2.imshow('zl_xy_Scharr_full',zl_xy_Scharr_full)
cv2.waitKey(0)

运行结果：

3.Laplacian 算子（二阶导数边缘检测）

Laplacian 算子基于二阶导数（梯度的变化率）检测边缘，无需分别计算 X/Y 方向，直接输出整体边缘。但它对噪声非常敏感，通常需要先进行高斯平滑处理。

代码如下：

python 复制代码

zl= cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp",cv2.IMREAD_GRAYSCALE)
zl_lap = cv2.Laplacian(zl,cv2.CV_64F,ksize=3)
zl_lap_full= cv2.convertScaleAbs(zl_lap)#转换为绝对值，负数转换为正数
cv2.imshow('zl_lap_full',zl_lap_full)
cv2.waitKey(0)

注意：ksize：卷积核大小，必须为奇数

运行结果：

4.Canny 算子（最优边缘检测）

Canny 算子是目前最优秀的边缘检测算法之一，融合了高斯平滑、非极大值抑制、双阈值筛选等步骤，能有效剔除伪边缘，得到连续、清晰的边缘轮廓。

代码如下：

python 复制代码

zl = cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp",cv2.IMREAD_GRAYSCALE)
cv2.imshow('zl',zl)
cv2.waitKey(0)
zl_canny = cv2.Canny(zl,  300, 150)#/低, 高
cv2.imshow(  'zl_canny',zl_canny)
cv2.waitKey(0)

参数说明：

src(灰度图), threshold1(低阈值), threshold2(高阈值)

原理：高于高阈值的为强边缘，低于低阈值的剔除，中间的仅当与强边缘相连时保留

注意：低阈值在前，高阈值在后

运行结果：

（左边为原灰度图，右边为处理后的图）

Canny 阈值选择技巧

低阈值（threshold1）：控制边缘的 "密度"，值越小，检测到的边缘越多（包括噪声）；
高阈值（threshold2）：控制边缘的 "精度"，值越大，只有最明显的边缘会被保留；
经验值：高阈值通常是低阈值的 2~3 倍，可根据图像实际效果调整。

四、四种边缘检测算法对比

优先选 Canny：如果追求边缘质量和精度，且不特别在意计算速度。
优先选 Sobel：如果需要实时性和低计算成本。
优先选 Scharr：如果需要比 Sobel 更好的精度，且能接受稍高的计算量。
谨慎用 Laplacian：必须配合高斯模糊预处理，否则噪声会严重影响结果。