Python OpenCV 图像处理：边缘检测（Canny）详解与实战

m0_61749394

89人浏览 · 2026-07-12 10:15:00

m0_61749394 · 2026-07-12 10:15:00 发布

在机器视觉和图像处理领域，边缘检测（Edge Detection）是最基础、最重要的图像分析技术之一。无论是目标检测、轮廓提取、尺寸测量还是缺陷检测，很多算法都会先进行边缘检测，以突出图像中的结构信息。

本文将介绍 OpenCV 中最经典的 Canny 边缘检测算法，并结合 Python 给出完整的代码示例。

一、什么是边缘检测？

边缘是指图像中灰度值发生明显变化的位置。

例如，一张黑底白色矩形图片：

□□□□□□□□□□□□
□□■■■■■■■■□□
□□■■■■■■■■□□
□□■■■■■■■■□□
□□□□□□□□□□□□

经过边缘检测后，只会保留矩形边界：

□□□□□□□□□□□□
□□████████□□
□□█□□□□□□█□□
□□████████□□
□□□□□□□□□□□□

这样可以大幅减少数据量，同时保留目标最重要的几何特征。

二、为什么需要边缘检测？

边缘检测能够突出目标轮廓，在工业视觉中具有重要作用，例如：

产品外形检测
标签定位
PCB 元器件检测
缺陷检测
尺寸测量
OCR 字符定位
轮廓分析

很多视觉算法都是在边缘检测的基础上继续完成后续分析。

三、Canny 边缘检测原理

OpenCV 中最常使用的是 Canny 边缘检测算法。

整个算法主要包括以下几个步骤：

1、图像去噪

首先使用高斯滤波去除噪声。

原图
 ↓
Gaussian Blur
 ↓
平滑图像

因为噪声容易被误认为边缘。

2、计算图像梯度

利用 Sobel 算子计算：

X方向梯度
Y方向梯度

得到每个像素的梯度大小。

梯度越大，说明灰度变化越剧烈。

3、非极大值抑制

保留真正的边缘。

将较宽的边缘压缩成只有一个像素宽。

这样得到更加清晰的边缘。

4、双阈值检测

设置两个阈值：

高阈值
低阈值

梯度：

大于高阈值 → 一定是边缘
小于低阈值 → 一定不是边缘
中间区域 → 根据连通性判断

这种方式能够有效降低噪声干扰。

四、OpenCV 边缘检测函数

OpenCV 提供：

edges = cv2.Canny(
    image,
    threshold1,
    threshold2
)

参数说明：

参数	说明
image	输入灰度图
threshold1	低阈值
threshold2	高阈值

返回结果：

一张二值图像：

白色（255）表示边缘
黑色（0）表示背景

五、基础代码示例

import cv2

# 读取图片
img = cv2.imread("test.png")

# 转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Canny 边缘检测
edges = cv2.Canny(gray, 50, 150)

cv2.imshow("Original", img)
cv2.imshow("Edges", edges)

cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

原图：

████████
██目标██
████████

边缘图：

□□□□□□□□
□□████□□
□□█□□█□□
□□████□□
□□□□□□□□

六、阈值如何选择？

Canny 的效果主要由两个阈值决定。

例如：

edges = cv2.Canny(gray, 30, 80)

特点：

检测边缘较多
容易出现噪声

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

特点：

边缘较少
更稳定
噪声更少

一般建议：

低阈值 = 高阈值 × 0.4~0.5

例如：

edges = cv2.Canny(gray, 50, 120)

七、边缘检测前进行高斯滤波

工业视觉中，通常不会直接进行 Canny。

而是先去噪：

blur = cv2.GaussianBlur(
    gray,
    (5,5),
    0
)

edges = cv2.Canny(
    blur,
    50,
    150
)

这样能够减少大量噪声边缘。

八、寻找边缘轮廓

边缘检测完成后，可以直接寻找轮廓。

contours, _ = cv2.findContours(
    edges,
    cv2.RETR_EXTERNAL,
    cv2.CHAIN_APPROX_SIMPLE
)

draw = img.copy()

cv2.drawContours(
    draw,
    contours,
    -1,
    (0,255,0),
    2
)

这样即可得到所有目标轮廓。

九、完整实战案例

下面给出一个完整流程。

import cv2

def detect_edge(image_path):

    img = cv2.imread(image_path)

    if img is None:
        print("读取图片失败")
        return

    # 灰度化
    gray = cv2.cvtColor(
        img,
        cv2.COLOR_BGR2GRAY
    )

    # 高斯滤波
    blur = cv2.GaussianBlur(
        gray,
        (5,5),
        0
    )

    # 边缘检测
    edges = cv2.Canny(
        blur,
        50,
        150
    )

    # 查找轮廓
    contours, _ = cv2.findContours(
        edges,
        cv2.RETR_EXTERNAL,
        cv2.CHAIN_APPROX_SIMPLE
    )

    result = img.copy()

    for cnt in contours:

        area = cv2.contourArea(cnt)

        if area < 300:
            continue

        x, y, w, h = cv2.boundingRect(cnt)

        cv2.rectangle(
            result,
            (x, y),
            (x + w, y + h),
            (0,255,0),
            2
        )

    cv2.imshow("Edges", edges)
    cv2.imshow("Result", result)

    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    detect_edge("test.png")