【OpenCV四大边缘检测算法】Sobel、Scharr、Laplacian、Canny 详解

[Sobel 算子边缘检测](#Sobel 算子边缘检测)

[Scharr 算子边缘检测](#Scharr 算子边缘检测)

Laplacian（拉普拉斯）算子边缘检测

[Canny 边缘检测](#Canny 边缘检测)

边缘检测是图像处理、目标识别、特征提取的基础操作，核心作用是提取图像中灰度突变的区域，也就是物体轮廓与边界。

在 OpenCV 中，最常用的边缘检测算法主要分为四类：Sobel 算子、Scharr 算子、Laplacian 拉普拉斯算子、Canny 边缘检测。

通用知识点：

数据深度 ddepth图像梯度计算会产生负数（灰度由亮变暗），OpenCV 默认 uint8 类型会直接截断负数，导致边缘丢失。因此代码中统一使用 cv2.CV_64F（64 位浮点型）保存正负梯度。

cv2.convertScaleAbs()将浮点型梯度图像取绝对值 + 映射回 0~255 像素范围，是边缘检测必备后处理。

cv2.addWeighted()图像加权融合，用于合并 X 方向、Y 方向的边缘。

Sobel 算子边缘检测

Sobel 是一阶微分算子 ，分别计算图像 X 方向（水平边缘） 和 Y 方向（垂直边缘） 的梯度，抗噪性较好，是工业场景最常用的基础边缘算法。

dx=1, dy=0：计算水平边缘（检测竖直方向线条）

dx=0, dy=1：计算垂直边缘（检测水平方向线条）

函数

cv2.Sobel(src, ddepth, dx, dy $, dst\[, ksize\[, scale\[, delta\[, borderType$ ]]]])

src：输入图像（建议灰度图）
ddepth：输出数据深度，推荐 cv2.CV_64F
dx：X 方向求导阶数
dy：Y 方向求导阶数

python 复制代码

import cv2

# 读取图像，第二个参数0代表直接读取为灰度图
zl = cv2.imread('mimi.jpg', 0)  

# 1. X方向Sobel梯度（水平边缘），使用64位浮点保留负数
zl_x_64 = cv2.Sobel(zl, cv2.CV_64F, dx=1, dy=0)  
# 取绝对值，转为正常0~255图像
zl_x_full = cv2.convertScaleAbs(zl_x_64)  

# 2. Y方向Sobel梯度（垂直边缘）
zl_y_64 = cv2.Sobel(zl, cv2.CV_64F, dx=0, dy=1)  
zl_y_full = cv2.convertScaleAbs(zl_y_64)  

# 3. 加权融合X、Y两个方向边缘，得到综合边缘图
zl_xy_sobel_full = cv2.addWeighted(zl_x_full, 1, zl_y_full, 1, 0)

# 显示结果
cv2.imshow('mimi_xy_sobel_full', zl_xy_sobel_full)
cv2.waitKey(0)
cv2.destroyAllWindows()

Scharr 算子边缘检测

Scharr 算子是 Sobel 算子的增强版本 ，卷积核权重更大，边缘检测精度更高，对细弱边缘、细微线条提取能力优于 Sobel，同样属于一阶微分算子。

注意：Scharr 不支持自定义卷积核大小，固定使用 3×3 核。

函数：

cv2.Scharr(src, ddepth, dx, dy $, dst\[, scale\[, delta\[, borderType$ ]]])

参数含义与 Sobel 完全一致，使用方式互通。

python 复制代码

# 读取灰度图像
zl = cv2.imread('mimi.jpg', cv2.IMREAD_GRAYSCALE)  

# X方向Scharr边缘
zl_x_64 = cv2.Scharr(zl, cv2.CV_64F, dx=1, dy=0)  
zl_x_full = cv2.convertScaleAbs(zl_x_64)  

# Y方向Scharr边缘
zl_y_64 = cv2.Scharr(zl, cv2.CV_64F, dx=0, dy=1)  
zl_y_full = cv2.convertScaleAbs(zl_y_64)  

# 融合双向边缘
zl_xy_Scharr_full = cv2.addWeighted(zl_x_full, 1, zl_y_full, 1,  0)

# 展示Scharr边缘结果
cv2.imshow('mimi_xy_Scharr_full', zl_xy_Scharr_full)
cv2.waitKey(0)
cv2.destroyAllWindows()

算法对比

Sobel：速度快、抗噪强，适合粗边缘提取
Scharr：精度高、细节丰富，适合精细边缘检测

Laplacian（拉普拉斯）算子边缘检测

Laplacian 是二阶微分算子，直接计算图像二阶导数，无需分 X/Y 方向，可一次性提取全方向边缘。

函数：

cv2.Laplacian(src, ddepth $, dst\[, ksize\[, scale\[, delta\[, borderType$ ]]]])

ksize：卷积核尺寸，必须为正奇数 ，示例使用 ksize=3，其余参数与前文一致。

python 复制代码

# 读取灰度图
zl = cv2.imread('xin_new.jpg', cv2.IMREAD_GRAYSCALE)

# 拉普拉斯二阶求导，3×3卷积核
zl_lap = cv2.Laplacian(zl, cv2.CV_64F, ksize=3)
# 绝对值转换，输出最终边缘图
zl_lap_full = cv2.convertScaleAbs(zl_lap)  

cv2.imshow('xin_lap_full', zl_lap_full)
cv2.waitKey(0)
cv2.destroyAllWindows()

Canny 边缘检测

Canny 是目前最优秀的综合边缘检测算法 ，内部集成：高斯降噪 → 梯度计算 → 非极大值抑制 → 双阈值筛选，输出单像素、连续、低噪声的标准边缘，也是项目中使用最多的算法。

函数：

cv2.Canny(image, threshold1, threshold2 $, apertureSize\[, L2gradient$ ])

threshold1：低阈值，低于该值直接判定为非边缘

threshold2：高阈值，高于该值直接判定为强边缘

介于两阈值之间：仅当连接强边缘时，才判定为边缘

python 复制代码

# 读取灰度图
zl = cv2.imread('xin_new.jpg', cv2.IMREAD_GRAYSCALE)
# 显示原图
cv2.imshow('xin', zl)
cv2.waitKey(0)

# Canny边缘检测：低阈值100，高阈值150
zl_canny = cv2.Canny(zl, threshold1=100, threshold2=150)  

cv2.imshow('xin_canny', zl_canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行展示：