Day 8：Canny边缘检测

已经学习了 Sobel 算子，知道如何计算图像在 X、Y 两个方向上的灰度梯度。今天我们就要解决一个更进一步的问题：

既然 Sobel 已经能找到灰度变化明显的位置，为什么还需要 Canny？

核心原因是：Sobel 计算的是梯度响应，而 Canny 会进一步筛选、细化和连接边缘，最终生成更适合后续处理的二值边缘图。

今天我们主要完成四件事：理解 Canny 的四个步骤、掌握双阈值与滞后连接、完成农田图像对比实验，以及弄清楚 Canny 与 Sobel 的关系。

一、Canny 和 Sobel 到底有什么区别？

先回忆昨天的代码：

cv::Sobel(gray, gradX, CV_32F, 1, 0, 3);
cv::Sobel(gray, gradY, CV_32F, 0, 1, 3);

cv::magnitude(gradX, gradY, magnitude);

你得到的是梯度幅值图，亮度越高通常说明局部灰度变化越强。

但直接用梯度幅值作为边缘结果，可能存在三个问题：

• 一条实际边缘在梯度图里表现为较宽的亮带。
• 土壤纹理和噪声也会产生大量梯度响应。
• 只使用一个阈值，可能导致弱叶片边缘断裂。
  而 Canny 就是在梯度信息的基础上增加进一步处理。

对比	Sobel	Canny
主要任务	估计图像梯度	提取二值边缘
输出内容	梯度强度、方向分量	通常为 0/255 边缘图
边缘细化	不包含完整的细化流程	使用非极大值抑制
边缘连接	无滞后连接	通过强、弱边缘连接
典型用途	梯度分析、纹理特征	轮廓边界、形状提取

可以简单理解成：

Sobel：
这附近的灰度变化有多强？

Canny：
哪些灰度变化应该最终保留为边缘？

二、Canny 的四个核心步骤

1. 高斯平滑

已经学过：

cv::GaussianBlur(
    gray,
    blurred,
    cv::Size(5, 5),
    1.0
);

为什么 Canny 常在梯度计算前进行平滑？

因为 Sobel 会对灰度变化产生响应，而噪声本身也可能制造灰度突变。

例如：

原来：
100 100 100 100 100

受到噪声干扰：
100 100 240 100 100

中间的 240 可能产生明显梯度，但不是真实物体边缘。

高斯滤波能够减弱部分噪声，从而减少伪边缘。

需要区分算法原理和 OpenCV 接口：经典 Canny 流程包含高斯平滑，但调用 cv::Canny() 并不等于它会自动执行你指定参数的 GaussianBlur()。 因此今天我们明确将其写在 Canny 之前，方便实验。

2. 梯度计算

和昨天的 Sobel 有直接联系：

梯度不仅告诉我们变化的强弱，也告诉我们变化的方向。

梯度方向可由：

得到。

比如一条竖直边缘，灰度主要沿水平方向变化，因此梯度方向大致是水平的。

注意：梯度方向通常垂直于边缘的切线方向。

3. 非极大值抑制：为什么它能细化边缘？

这是今天最值得理解的新概念。

假设某个位置附近的梯度响应为：

位置：     1   2   3   4   5
梯度强度： 10  40  90  50  20

如果直接显示梯度图，你可能看到连续几个较亮的像素。

但非极大值抑制会沿梯度方向比较相邻位置，优先保留局部最大值。

在这个简化的一维例子中：

原始梯度：10  40  90  50  20

抑制后：   0   0  90   0   0

所以 Canny 的边缘通常比直接把 Sobel 梯度图二值化后得到的结果更细。

不过，并不意味着所有输出边缘都一定是一像素宽的完整曲线，实际结果仍受纹理、离散化和参数影响。

4. 双阈值与滞后连接：为什么需要两个阈值？

你今天使用：

cv::Canny(gray, edges, 50, 150);

这里：

50  → 低阈值
150 → 高阈值

经过梯度分析和非极大值抑制之后，可以将候选响应分成三类：

梯度响应	分类	处理方式
低于低阈值	非边缘	丢弃
位于两个阈值之间	弱候选边缘	检查是否与强边缘连通
高于高阈值	强边缘	保留

阈值相等处的具体处理边界这里暂不展开，重点理解三类候选与连通关系。

假设一条叶片边缘上的梯度响应是：

180 --- 120 --- 90 --- 65 --- 160

其中：

180、160 → 强边缘

120、90、65 → 弱候选边缘

如果这些像素沿着边缘连通，中间的弱候选可能被保留下来。

而远处单独出现的弱候选，即使数值也是 120，也可能被丢弃，因为它没有与强边缘连接。

这里与上一天的 threshold() 有一个本质区别：

Canny 的高低阈值判断的是梯度响应，不是原始灰度值。

比如原图中某个区域灰度为 200，但周围灰度也是 200，那么这个位置没有明显的局部变化，仍然可能不是边缘。

反过来，灰度为 30 和 100 的区域之间，也可能产生明显边缘。

三、正式学习 cv::Canny() 的参数

完整一些的调用方式：

cv::Canny(
    blurred,
    edges,
    50,
    150,
    3,
    false
);

参数	作用	这里的设置
blurred	输入单通道 8 位图像	高斯平滑结果
edges	输出二值边缘图	由函数写入
50	低阈值	50
150	高阈值	150
3	Sobel 梯度核大小 apertureSize	3
false	是否使用 L2 梯度范数	默认 false

这里有一个值得连接昨天 Sobel 知识的细节。

昨天你使用的真实梯度幅值是：

但是 cv::Canny() 默认 L2gradient=false，使用的梯度强度近似是：

因此，即使是同一张图，Canny 阈值 50/150 也不能不加区分地直接套用到昨天的 L2 梯度幅值图上。

今天先使用默认设置就可以。以后需要更精细对比，再尝试 L2gradient=true。

四、完整 C++ 实验代码

建议你使用同一张具有明显苗行结构的农田图像，并且固定输入尺寸、灰度转换方式，只改变 Canny 的阈值。

下面的代码还会对比直接执行 Canny 和 先进行 GaussianBlur 再执行 Canny 的差别。

#include <opencv2/opencv.hpp>
#include <iostream>
#include <filesystem>
#include <string>
#include <vector>

namespace fs = std::filesystem;

int main() {
    fs::create_directories("output");

    cv::Mat image = cv::imread("images/field.jpg");

    if (image.empty()) {
        std::cerr << "Failed to load image\n";
        return 1;
    }

    // 1. 转换成灰度图
    cv::Mat gray;
    cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);

    // 2. 高斯平滑
    cv::Mat blurred;
    cv::GaussianBlur(
        gray,
        blurred,
        cv::Size(5, 5),
        1.0
    );

    // 3. 比较不同阈值组合
    std::vector<std::pair<int, int>> thresholds = {
        {30, 90},
        {50, 150},
        {100, 200}
    };

    for (const auto& [low, high] : thresholds) {
        cv::Mat edges;

        cv::Canny(
            blurred,
            edges,
            low,
            high
        );

        std::string filename =
            "output/canny_" +
            std::to_string(low) + "_" +
            std::to_string(high) + ".png";

        cv::imwrite(filename, edges);

        // 统计边缘像素数量
        int edgeCount = cv::countNonZero(edges);

        double edgeRatio =
            100.0 * edgeCount / image.total();

        std::cout
            << "Thresholds: "
            << low << ", " << high
            << " | Edge pixels: " << edgeCount
            << " | Ratio: " << edgeRatio << "%\n";
    }

    // 4. 比较是否进行显式高斯平滑
    cv::Mat edgesNoBlur, edgesBlur;

    cv::Canny(gray, edgesNoBlur, 50, 150);
    cv::Canny(blurred, edgesBlur, 50, 150);

    cv::imwrite(
        "output/canny_no_blur.png",
        edgesNoBlur
    );

    cv::imwrite(
        "output/canny_with_blur.png",
        edgesBlur
    );

    std::cout << "No blur edge count: "
              << cv::countNonZero(edgesNoBlur) << '\n';

    std::cout << "With blur edge count: "
              << cv::countNonZero(edgesBlur) << '\n';

    return 0;
}

最终会生成五张边缘图：

output/
├── canny_30_90.png
├── canny_50_150.png
├── canny_100_200.png
├── canny_no_blur.png
└── canny_with_blur.png

代码中：

std::vector<std::pair<int, int>>

表示存储多组整数对，刚好可以用来管理低阈值和高阈值。

而：

for (const auto& [low, high] : thresholds)

是 C++17 的结构化绑定写法，能够直接取出每组阈值的两个数。你的 CMake 项目需要启用 C++17。

五、三个阈值方案应该怎样比较？

方案	低阈值	高阈值	主要观察
A	30	90	是否有大量土壤纹理、杂散边缘
B	50	150	噪声与叶片边缘能否取得平衡
C	100	200	小叶片、弱边缘是否开始丢失

通常降低阈值容易产生更多边缘响应，提高阈值则会抑制一部分较弱的响应。

但边缘数量多并不意味着检测效果好。

对于你的无人机农田图像，我建议重点观察三个区域：单株幼苗的叶片边界、植株之间的土壤，以及沿苗行方向连续出现的边缘结构。

另外，比较高斯滤波前后效果时，注意两种方法使用同一个 Canny 阈值组合。这样才能看出显式平滑对噪声和细小叶片边缘的影响。

六、今天再连接一下 findContours()

你之前已经学习过：

cv::findContours(
    cleanMask,
    contours,
    cv::RETR_EXTERNAL,
    cv::CHAIN_APPROX_SIMPLE
);

那今天能不能把 Canny 的 edges 直接传给 findContours()？

技术上可以，但要注意结果的含义。

之前：

HSV → inRange → mask → findContours

你的 mask 白色区域代表候选绿色植株，所以提取的是这些区域的边界。

今天：

GRAY → Canny → edges → findContours

白色像素代表灰度变化明显的边缘。

因此，一株植物可能产生很多轮廓：叶缘、叶脉、阴影分界、土壤纹理等。它们不一定对应独立的植株。

所以后续如果你想进行植株计数，不能简单把 Canny 轮廓数量当成植株数量。