一、什麼是邊緣檢測？¶
圖像邊緣是指圖像中像素強度發生顯著變化的區域（比如物體的輪廓、文字的邊界等）。邊緣檢測的目的就是識別這些變化區域，從而簡化圖像信息、突出目標特徵。在計算機視覺中，邊緣檢測是目標識別、圖像分割、特徵提取的基礎步驟，廣泛應用於人臉識別、自動駕駛、醫學影像分析等領域。
二、Python OpenCV環境準備¶
在開始前，請確保已安裝Python和OpenCV庫。如果未安裝，可通過以下命令快速安裝：
pip install opencv-python
三、邊緣檢測核心流程¶
邊緣檢測通常分爲三步：圖像預處理（灰度化、降噪）、邊緣檢測算法（提取梯度信息）、結果可視化。
四、Canny邊緣檢測（核心算法）¶
Canny邊緣檢測是OpenCV中最常用的邊緣檢測算法，由John Canny於1986年提出。它通過多步梯度計算和非極大值抑制，能生成清晰、連續的邊緣，是工業界和科研中效果最好的邊緣檢測方法之一。
Canny邊緣檢測步驟¶
- 灰度化：將彩色圖像轉爲灰度圖（減少計算量）。
- 高斯模糊：消除圖像噪聲（噪聲會干擾邊緣檢測）。
- 計算梯度：用Sobel算子計算圖像的梯度幅值和方向。
- 非極大值抑制：保留梯度方向上的局部最大值，細化邊緣。
- 雙閾值篩選：設置低閾值（low_threshold）和高閾值（high_threshold），篩選出真正的邊緣。
代碼實現：Canny邊緣檢測¶
import cv2
import numpy as np
# 1. 讀取圖像（替換爲你的圖像路徑，如'./test.jpg'）
image = cv2.imread('test.jpg')
if image is None:
print("圖像讀取失敗，請檢查路徑！")
exit()
# 2. 灰度化處理（轉爲單通道灰度圖）
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 3. 高斯模糊（降噪，核大小建議5x5）
blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 標準差爲0時由核大小自動計算
# 4. Canny邊緣檢測（參數：原圖、低閾值、高閾值）
edges = cv2.Canny(blurred, 50, 150) # 低閾值50，高閾值150
# 5. 顯示結果
cv2.imshow('Original Image', image)
cv2.imshow('Gray Image', gray)
cv2.imshow('Blurred Image', blurred)
cv2.imshow('Canny Edges', edges)
# 等待按鍵後關閉窗口
cv2.waitKey(0)
cv2.destroyAllWindows()
# （可選）保存結果
cv2.imwrite('canny_edges.jpg', edges)
閾值對結果的影響¶
Canny的兩個閾值（低、高）決定了邊緣的“敏感度”：
- 低閾值低，高閾值低：會檢測到更多邊緣（包括噪聲導致的僞邊緣）。
- 低閾值高，高閾值高：會漏掉一些細節邊緣，但邊緣更清晰。
嘗試調整閾值（如low=30, high=100或low=80, high=200），觀察結果差異：
# 不同閾值對比示例
edges1 = cv2.Canny(blurred, 30, 100)
edges2 = cv2.Canny(blurred, 80, 200)
cv2.imshow('Low Threshold', edges1)
cv2.imshow('High Threshold', edges2)
cv2.waitKey(0)
五、其他經典邊緣檢測算法¶
除Canny外，OpenCV還提供了其他基於梯度的邊緣檢測算子，原理類似但效果各有特點：
1. Sobel算子¶
基於梯度的一階導數算法，可分別計算x方向（水平邊緣）和y方向（垂直邊緣）的梯度：
# Sobel算子示例
sobelx = cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize=5) # x方向梯度
sobely = cv2.Sobel(blurred, cv2.CV_64F, 0, 1, ksize=5) # y方向梯度
sobel_edges = cv2.addWeighted(np.absolute(sobelx), 0.5, np.absolute(sobely), 0.5, 0)
cv2.imshow('Sobel Edges', sobel_edges)
2. Laplacian算子¶
基於二階導數，對噪聲敏感，需先模糊處理：
laplacian = cv2.Laplacian(blurred, cv2.CV_64F, ksize=3)
laplacian_edges = np.absolute(laplacian)
cv2.imshow('Laplacian Edges', laplacian_edges)
六、實踐與總結¶
-
關鍵技巧：
- 優先對圖像進行高斯模糊（核大小3x3/5x5），減少噪聲干擾。
- Canny閾值需根據圖像對比度調整（如清晰圖像閾值可設爲50-150，複雜場景可設爲100-200）。
- 處理彩色圖像時，建議先轉爲灰度圖再進行邊緣檢測。 -
常見問題：
- 圖像讀取失敗：檢查路徑是否正確（絕對路徑或相對路徑）。
- 顯示圖像顏色異常：OpenCV默認讀取爲BGR格式，若需顯示彩色圖，可先用cv2.cvtColor(..., cv2.COLOR_BGR2RGB)轉換。
通過本文，你已掌握Python OpenCV邊緣檢測的基礎流程和核心算法。後續可嘗試在實際項目中調整參數，探索不同場景下的最佳效果。邊緣檢測是計算機視覺的入門基石，打好基礎後可進一步學習圖像分割、目標追蹤等進階內容！