Canny算子边缘检测原理与Python实现详解

1. Canny算子：边缘检测的黄金标准

第一次接触Canny算子是在研究生时期的计算机视觉课上。当时教授在黑板上画了一条波浪线，说："这就是边缘检测要解决的问题——从噪声中找到真实的信号。"十年过去了，我依然清晰地记得第一次用Python实现Canny算子时那种豁然开朗的感觉。

Canny算子由John Canny在1986年提出，至今仍是工业界最常用的边缘检测算法。它之所以能经久不衰，关键在于其设计哲学：不是简单地寻找图像中的强度变化，而是通过一套严谨的流程，在检出率和准确率之间取得最佳平衡。就像一位经验丰富的侦探，Canny不会放过任何线索，但也不会被假线索误导。

2. Canny算子的五步流程详解

2.1 高斯滤波：为图像降噪

任何边缘检测的第一步都是降噪。图像中的噪声就像侦探案发现场的无关指纹，会干扰真正的线索。高斯滤波使用一个二维高斯核与图像进行卷积，有效平滑噪声。

python复制import cv2
import numpy as np

def gaussian_kernel(size, sigma=1):
    """生成二维高斯核"""
    kernel = np.fromfunction(
        lambda x, y: (1/(2*np.pi*sigma**2)) * 
        np.exp(-((x-(size-1)/2)**2 + (y-(size-1)/2)**2)/(2*sigma**2)),
        (size, size)
    )
    return kernel / np.sum(kernel)

# 示例：5x5高斯核
kernel = gaussian_kernel(5, sigma=1.4)
print(kernel)

注意：σ值的选择至关重要。σ太小，噪声过滤不彻底；σ太大，边缘会过度模糊。实践中，1.0-2.0是常用范围。

2.2 计算梯度：寻找边缘候选

梯度计算相当于测量图像中每个像素点的"坡度"。我们使用Sobel算子分别计算x和y方向的梯度：

python复制def sobel_filters(img):
    """使用Sobel算子计算梯度"""
    Kx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], np.float32)
    Ky = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]], np.float32)
    
    Ix = cv2.filter2D(img, -1, Kx)
    Iy = cv2.filter2D(img, -1, Ky)
    
    G = np.hypot(Ix, Iy)  # 梯度幅值
    G = G / G.max() * 255  # 归一化
    theta = np.arctan2(Iy, Ix)  # 梯度方向
    
    return G, theta

梯度方向需要量化为四个主要方向（0°, 45°, 90°, 135°），这是为后续的非极大值抑制做准备。

2.3 非极大值抑制：细化边缘

这是Canny算子的核心步骤。想象你正在山脊上行走，非极大值抑制就是只保留山脊最高点的路径：

python复制def non_max_suppression(G, theta):
    """非极大值抑制"""
    M, N = G.shape
    Z = np.zeros((M,N), dtype=np.float32)
    angle = theta * 180. / np.pi
    angle[angle < 0] += 180
    
    for i in range(1,M-1):
        for j in range(1,N-1):
            try:
                q = 255
                r = 255
                
                # 0度方向
                if (0 <= angle[i,j] < 22.5) or (157.5 <= angle[i,j] <= 180):
                    q = G[i, j+1]
                    r = G[i, j-1]
                # 45度方向
                elif (22.5 <= angle[i,j] < 67.5):
                    q = G[i+1, j-1]
                    r = G[i-1, j+1]
                # 90度方向
                elif (67.5 <= angle[i,j] < 112.5):
                    q = G[i+1, j]
                    r = G[i-1, j]
                # 135度方向
                elif (112.5 <= angle[i,j] < 157.5):
                    q = G[i-1, j-1]
                    r = G[i+1, j+1]

                if (G[i,j] >= q) and (G[i,j] >= r):
                    Z[i,j] = G[i,j]
                else