一、什么是边缘检测

边缘（Edge）本质上是：

图像灰度值发生剧烈变化的位置

例如：

物体轮廓
字体边界
道路边缘
人脸轮廓
缺陷裂纹

都属于边缘。

从数学角度说：

如果图像表示为二维函数：

[
f(x,y)
]

那么边缘就是：

[
\left|\nabla f(x,y)\right|
]

变化最大的区域。(维基百科)

二、边缘检测核心原理

本质就是求 像素梯度（导数）。

1）一阶导数：梯度边缘

梯度定义：

[
G=\sqrt{G_x^2+G_y^2}
]

其中：

(G_x)：x方向变化
(G_y)：y方向变化

梯度越大，越可能是边缘。

2）二阶导数：Laplacian

二阶导数更适合检测：

细线
点状目标
高频纹理

公式：

[
\nabla^2 f=\frac{\partial^2 f}{\partial x^2}+\frac{\partial^2 f}{\partial y^2}
]

三、经典边缘检测算法

1）Sobel 算法（最常用入门）

Sobel 使用两个卷积核分别计算水平和垂直梯度。(Muegenai)

X方向卷积核

[
\begin{bmatrix}
-1 & 0 & 1 \
-2 & 0 & 2 \
-1 & 0 & 1
\end{bmatrix}
]

Y方向卷积核

[
\begin{bmatrix}
-1 & -2 & -1 \
0 & 0 & 0 \
1 & 2 & 1
\end{bmatrix}
]

Python 实现（纯 OpenCV）

import cv2
import numpy as np

img = cv2.imread("test.jpg", 0)

sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)

magnitude = cv2.magnitude(sobel_x, sobel_y)

cv2.imshow("sobel", np.uint8(magnitude))
cv2.waitKey(0)

纯 Python 手写 Sobel（深入理解）

import cv2
import numpy as np

img = cv2.imread("test.jpg", 0)

kernel_x = np.array([
    [-1, 0, 1],
    [-2, 0, 2],
    [-1, 0, 1]
])

kernel_y = np.array([
    [-1, -2, -1],
    [0, 0, 0],
    [1, 2, 1]
])

h, w = img.shape
result = np.zeros((h, w))

for i in range(1, h - 1):
    for j in range(1, w - 1):
        region = img[i-1:i+2, j-1:j+2]

        gx = np.sum(region * kernel_x)
        gy = np.sum(region * kernel_y)

        result[i, j] = np.sqrt(gx**2 + gy**2)

result = np.clip(result, 0, 255).astype(np.uint8)
cv2.imshow("manual sobel", result)
cv2.waitKey(0)

四、Canny 边缘检测（工业级最常用）

Canny 是实际项目里最经典的边缘检测算法。(维基百科)

它包含 5个核心步骤：

第一步：高斯滤波去噪

先消除噪声：

blur = cv2.GaussianBlur(img, (5, 5), 1.4)

第二步：计算梯度

底层仍然是 Sobel。

[
G=\sqrt{G_x^2+G_y^2}
]

第三步：非极大值抑制（NMS）

作用：

让边缘从“粗线”变成“细线”

保留局部最大值。

第四步：双阈值检测

两个阈值：

高阈值：强边缘
低阈值：弱边缘

第五步：滞后阈值连接

如果弱边缘连接强边缘，则保留，否则去掉。(Python Geeks)

Python 实现 Canny

import cv2

img = cv2.imread("test.jpg", 0)

edges = cv2.Canny(img, 100, 200)

cv2.imshow("canny", edges)
cv2.waitKey(0)

五、自己手写 Canny（核心流程版）

下面给你一个简化版流程，适合算法学习。

import cv2
import numpy as np

img = cv2.imread("test.jpg", 0)

# 1 高斯滤波
blur = cv2.GaussianBlur(img, (5, 5), 1)

# 2 Sobel梯度
gx = cv2.Sobel(blur, cv2.CV_64F, 1, 0)
gy = cv2.Sobel(blur, cv2.CV_64F, 0, 1)

mag = np.sqrt(gx**2 + gy**2)
angle = np.arctan2(gy, gx)

如果你继续深入，可以再实现：

NMS
双阈值
hysteresis

就接近完整工业版。

六、Sobel vs Canny 对比

算法	优点	缺点	场景
Sobel	快、简单	噪声敏感	教学、预处理
Laplacian	细节强	容易误检	纹理检测
Canny	精度高、边缘细	计算复杂	工业视觉

(OpenCV)

七、工程实战：视频实时边缘检测

import cv2

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    edges = cv2.Canny(gray, 80, 150)

    cv2.imshow("edge", edges)

    if cv2.waitKey(1) == 27:
        break

cap.release()
cv2.destroyAllWindows()

适用于：

摄像头轮廓识别
实时车道线检测
OCR 预处理
缺陷检测

八、生产级优化思路（非常重要）

你做实际项目时建议这样优化：

1）先做 CLAHE 增强

clahe = cv2.createCLAHE(clipLimit=2.0)
img = clahe.apply(img)

提升低对比度边缘。

2）边缘后做形态学闭运算

kernel = np.ones((3,3), np.uint8)
edges = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)

连接断裂边缘。

3）结合霍夫变换

用于：

表格线检测
文档边框
车道线检测

lines = cv2.HoughLinesP(edges, 1, np.pi/180, 100)

九、边缘检测在 AI / CV 中的作用

边缘是很多高级算法的第一步：

OCR文字识别
图像分割
人脸检测
目标检测
视频跟踪
缺陷检测
医学影像

十、总结（面试高频）

核心记忆：

Sobel

一阶梯度 + 卷积核

Canny

高斯滤波 → 梯度 → NMS → 双阈值 → 边缘连接

最佳实践

如果你做生产系统：

优先 Canny + CLAHE + Morphology

这是工业视觉最稳的一套。

Python图像边缘检测：边缘检算法原理及实现过程