使用 Python 实现图像边缘检测：Canny 算法详解与实践

图像处理是计算机视觉中的一个基础且重要的领域，而边缘检测（Edge Detection）作为图像处理的核心技术之一，广泛应用于物体识别、图像分割、特征提取等任务中。在众多边缘检测算法中，Canny 边缘检测算法因其良好的检测性能和抗噪能力，成为最常用的经典方法之一。

本文将详细介绍 Canny 边缘检测的基本原理，并使用 Python 和 OpenCV 库实现一个完整的边缘检测程序，包含代码示例和技术解析。

---

Canny 边缘检测简介

Canny 边缘检测由 John F. Canny 于 1986 年提出，其目标是在噪声抑制和边缘定位之间取得良好平衡。Canny 算法主要包括以下几个步骤：

高斯滤波去噪：使用高斯滤波器平滑图像，以减少噪声对边缘检测的影响。计算图像梯度：使用 Sobel 算子计算每个像素点的梯度幅值和方向，用于判断是否存在边缘。非极大值抑制（Non-Maximum Suppression）：保留局部梯度最大的点，抑制其他非边缘点。双阈值检测（Double Thresholding）：设定高低两个阈值，将像素分为强边缘、弱边缘和非边缘三类。边缘连接（Edge Tracking by Hysteresis）：通过跟踪强边缘来连接相邻的弱边缘，形成连续的边缘轮廓。

---

环境准备

为了实现 Canny 边缘检测，我们需要安装以下库：

OpenCV：提供图像处理功能。NumPy：用于数值计算。matplotlib：用于显示图像。

可以通过以下命令安装这些库：

pip install opencv-python numpy matplotlib

---

Python 实现 Canny 边缘检测

3.1 导入库并读取图像

import cv2import numpy as npimport matplotlib.pyplot as plt# 读取图像image = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE)

注意：请将 'test.jpg' 替换为你的测试图片路径。

3.2 高斯滤波去噪

def gaussian_blur(image, kernel_size=5, sigma=1.4):    return cv2.GaussianBlur(image, (kernel_size, kernel_size), sigma)blurred = gaussian_blur(image)

3.3 计算梯度幅值和方向

def sobel_gradient(image):    grad_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)    grad_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)    gradient_magnitude = np.sqrt(grad_x**2 + grad_y**2)    gradient_angle = np.arctan2(grad_y, grad_x) * (180 / np.pi)    gradient_angle[gradient_angle < 0] += 180  # 将角度限制在 [0, 180]    return gradient_magnitude, gradient_angle

3.4 非极大值抑制

def non_max_suppression(gradient_magnitude, gradient_angle):    m, n = gradient_magnitude.shape    result = np.zeros((m, n), dtype=np.int32)    for i in range(1, m - 1):        for j in range(1, n - 1):            angle = gradient_angle[i, j]            q = 255            r = 255            if (0 <= angle < 22.5) or (157.5 <= angle < 180):                q = gradient_magnitude[i, j+1]                r = gradient_magnitude[i, j-1]            elif 22.5 <= angle < 67.5:                q = gradient_magnitude[i+1, j-1]                r = gradient_magnitude[i-1, j+1]            elif 67.5 <= angle < 112.5:                q = gradient_magnitude[i+1, j]                r = gradient_magnitude[i-1, j]            elif 112.5 <= angle < 157.5:                q = gradient_magnitude[i-1, j-1]                r = gradient_magnitude[i+1, j+1]            if (gradient_magnitude[i, j] >= q) and (gradient_magnitude[i, j] >= r):                result[i, j] = gradient_magnitude[i, j]            else:                result[i, j] = 0    return result

3.5 双阈值检测与边缘连接

def threshold(img, low_threshold_ratio=0.05, high_threshold_ratio=0.09):    high_threshold = img.max() * high_threshold_ratio    low_threshold = high_threshold * low_threshold_ratio    m, n = img.shape    res = np.zeros((m, n), dtype=np.int32)    weak = np.int32(25)    strong = np.int32(255)    strong_i, strong_j = np.where(img >= high_threshold)    zeros_i, zeros_j = np.where(img < low_threshold)    res[strong_i, strong_j] = strong    res[zeros_i, zeros_j] = 0    # 中间值设为 weak    remaining = np.logical_and(img >= low_threshold, img < high_threshold)    res[remaining] = weak    return res, weak, strong

def hysteresis(img, weak, strong=255):    m, n = img.shape    for i in range(1, m - 1):        for j in range(1, n - 1):            if img[i, j] == weak:                if ((img[i+1, j-1] == strong) or (img[i+1, j] == strong) or (img[i+1, j+1] == strong)                    or (img[i, j-1] == strong) or (img[i, j+1] == strong)                    or (img[i-1, j-1] == strong) or (img[i-1, j] == strong) or (img[i-1, j+1] == strong)):                    img[i, j] = strong                else:                    img[i, j] = 0    return img

---

整合所有步骤并运行

# 步骤整合blurred = gaussian_blur(image)gradient_mag, gradient_angle = sobel_gradient(blurred)nms = non_max_suppression(gradient_mag, gradient_angle)thresholded, weak, strong = threshold(nms)final_edges = hysteresis(thresholded.copy(), weak, strong)# 显示结果plt.figure(figsize=(12, 6))plt.subplot(1, 2, 1)plt.title("Original Image")plt.imshow(image, cmap='gray')plt.subplot(1, 2, 2)plt.title("Canny Edge Detection")plt.imshow(final_edges, cmap='gray')plt.show()

---

使用 OpenCV 的内置函数实现 Canny 检测

虽然我们上面实现了完整的 Canny 算法，但在实际应用中，我们可以直接使用 OpenCV 提供的 cv2.Canny() 函数：

edges = cv2.Canny(image, threshold1=100, threshold2=200)plt.imshow(edges, cmap='gray')plt.title("OpenCV Canny")plt.show()

---

总结与拓展

本文从理论到实践，详细介绍了 Canny 边缘检测算法的五个核心步骤，并使用 Python 实现了一个完整的边缘检测系统。此外，还对比了自定义实现与 OpenCV 内置函数的效果。

技术要点回顾：

图像预处理（高斯模糊）梯度计算（Sobel 算子）非极大值抑制（NMS）双阈值与边缘连接

扩展建议：

参数调优：尝试不同的高斯核大小、Sobel 核尺寸、双阈值比例，观察对结果的影响。实时视频处理：将 Canny 算法应用到摄像头实时视频流中。结合深度学习：将 Canny 边缘作为输入特征，结合 CNN 进行图像分类或目标检测。

---

参考文献

Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence.OpenCV Documentation: https://docs.opencv.org/Gonzalez, R. C., & Woods, R. E. (2002). Digital Image Processing.

---

如需完整代码文件，可将上述代码片段保存为 .py 文件并运行。欢迎读者在此基础上进一步探索图像处理的更多可能性！