OpenCV Canny边缘检测原理与实践指南

1. 图像边缘检测技术概述

在计算机视觉领域，边缘检测是最基础也最重要的图像处理技术之一。简单来说，边缘就是图像中像素值发生剧烈变化的区域，通常对应着物体的边界、纹理变化或场景中的不连续部分。我在实际项目中经常发现，很多复杂的视觉任务（如目标检测、图像分割）的第一步都是边缘检测。

OpenCV作为最流行的计算机视觉库，提供了多种边缘检测算法。其中最经典的要数Canny边缘检测算法，它由John F. Canny在1986年提出，至今仍是工业界和学术界的黄金标准。我刚开始学习OpenCV时，曾以为边缘检测就是简单找梯度变化，直到在实际项目中踩过几次坑才明白其中的门道。

2. 边缘检测的核心原理

2.1 图像梯度计算

边缘检测的核心思想是计算图像梯度。在数学上，梯度表示函数变化最快的方向和速率。对于图像这个二维函数，我们分别计算x方向和y方向的偏导数：

python复制import cv2
import numpy as np

img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)

这里使用的Sobel算子是最基础的梯度算子之一。ksize参数决定了卷积核的大小，我一般用3x3的核，既保证精度又不会太耗计算资源。在实际项目中，我习惯先用高斯滤波平滑图像，这样可以减少噪声对梯度计算的干扰。

2.2 非极大值抑制

计算完梯度后，简单的阈值处理会导致边缘过粗。Canny算法的精妙之处在于引入了非极大值抑制(NMS)步骤。这个步骤会检查每个像素点，判断它是否是沿梯度方向上的局部最大值。如果不是，就将其置零。

python复制def non_max_suppression(grad_mag, grad_dir):
    M, N = grad_mag.shape
    Z = np.zeros((M,N), dtype=np.float32)
    angle = grad_dir * 180. / np.pi
    angle[angle < 0] +=