网站界面设计需要首先做市场研究对吗新闻播报最新

---

---

前言

在计算机视觉的世界中，边缘检测如同人类视觉系统对物体轮廓的敏锐感知。它让机器能够从纷繁复杂的图像中提取关键的结构信息，成为目标识别、自动驾驶、医学影像分析等领域的基石。本文将深入浅出地解析边缘检测的核心原理、经典算法及其实际应用。

---

一、什么是边缘检测？

边缘检测是图像处理中用于识别图像亮度急剧变化区域的技术。这些变化通常对应物体边界、纹理突变或光照差异，例如一张桌子与背景的分界线，或人脸与头发的轮廓。通过检测这些边缘，计算机能够将图像简化为线条组成的“骨架”，为后续分析（如物体识别）提供高效的数据基础。
边缘检测经典算法对比更新（增加Scharr算子）

二、算法分类

1、Sobel算子

Sobel 算子是一种离散的微分算子，该算子结合了高斯平滑和微分求导运算。该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。

2、Scharr算子

Scharr 算子是 Soble 算子在 ksize=3 时的优化，与 Soble 的速度相同，且精度更高。 Scharr 算子与 Sobel 算子的不同点是在平滑部分，其中心元素占的权重更重，相当于使用较小标准差的高斯函数，也就是更瘦高的模板。

3、Canny边缘检测

3.1 Canny检测的优点

√ 低错误率。因为一般的边缘检测算子可能存在检测到伪边缘的情况，因此 Canny 算法检测到的边缘尽可能地是真实的边缘。
√ 较好地定位边缘点。由检测器标记的边缘点与真实边缘点中心尽可能地接近。
√ 单一的边缘响应。图像中的边缘只标记出一次。

---

3.2 Canny 边缘检测分为 4 个部分

3.2.1 、图像降噪

图像去噪是进行边缘检测的第一步，通过去噪可以去除图像中的一些噪点，从而使边缘检测时免受噪点干扰。高斯滤波。

3.2.2 、梯度计算

要进行边缘检测，就需要得到图像梯度信息，根据图像的梯度幅值和梯度方向来确定边缘，一般均采用 sobel 算子对图像进行梯度幅值与梯度方向计算。

3.2.3 、非极大值抑制

3.2.4 、双阈值边界跟踪

4、算法比较

---

三、代码实现

# #读取图像观看效果  sobel算子
zl = cv2.imread('zl.png',cv2.IMREAD_GRAYSCALE)#不用灰度试试效果
zl_x_64 = cv2.Sobel(zl,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
zl_x_full = cv2.convertScaleAbs(zl_x_64)#转换为绝对值，负数转换为正数
zl_y_64 = cv2.Sobel(zl,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
zl_y_full = cv2.convertScaleAbs(zl_y_64)#转换为绝对值，负数转换为正数
zl_xy_sobel_full = cv2.addWeighted(zl_x_full,1,zl_y_full,1,0)
cv2.imshow('zl_xy_sobel_full',zl_xy_sobel_full)
cv2.waitKey(0)
# #
# # #Scharr 算子
# # # cv.Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]])
# # # src：输入图像
# # # ddepth：输出图片的数据深度，由输入图像的深度进行选择
# # # dx：x 轴方向导数的阶数
# # # dy：y 轴方向导数的阶数
zl = cv2.imread('zl.png',cv2.IMREAD_GRAYSCALE)
zl_x_64 = cv2.Scharr(zl,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
zl_x_full = cv2.convertScaleAbs(zl_x_64)#转换为绝对值，负数转换为正数
zl_y_64 = cv2.Scharr(zl,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
zl_y_full = cv2.convertScaleAbs(zl_y_64)#转换为绝对值，负数转换为正数
zl_xy_Scharr_full = cv2.addWeighted(zl_x_full,1,zl_y_full,1,0)
cv2.imshow('zl_xy_Scharr_full',zl_xy_Scharr_full)
cv2.waitKey(0)
#$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# #cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
# # 参数说明：
# # src：输入图像，可以是灰度图像，也可以是多通道的彩色图像
# # ddepth：输出图片的数据深度：
# # ksize：计算二阶导数滤波器的孔径大小，必须为正奇数，可选项
# # scale：缩放比例因子，可选项，默认值为 1
# # delta：输出图像的偏移量，可选项，默认值为 0zl = cv2.imread('zl.png',cv2.IMREAD_GRAYSCALE)
zl_lap = cv2.Laplacian(zl,cv2.CV_64F)
zl_lap_full = cv2.convertScaleAbs(zl_lap)#转换为绝对值，负数转换为正数
cv2.imshow('zl_lap_full',zl_lap_full)
cv2.waitKey(0)
#
# # canny边缘检测
# # cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])
# # image 为输入图像。
# # threshold1 表示处理过程中的第一个阈值。fL
# # threshold2 表示处理过程中的第二个阈值。fH
#
zl = cv2.imread('kobe.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('zl',zl)
cv2.waitKey(0)
zl_canny = cv2.Canny(zl,100,150)#低，高
cv2.imshow('zl_canny',zl_canny)
cv2.waitKey(0)

总结

从Sobel到Canny，再到基于深度学习的HED（Holistically-Nested Edge Detection），边缘检测技术不断演进，但其核心目标始终如一：让机器“看见”世界的轮廓。随着AI与边缘计算的融合，未来的边缘检测将更智能、更高效，成为机器视觉的“火眼金睛”。