计算机视觉 / 系统课时
检测 Canny 边缘
检测 Canny 边缘
Canny 不只是一次卷积,而是一条包含平滑、梯度、非极大值抑制和双阈值连接的处理链。本节通过可运行示例配置高低阈值,并用诊断顺序判断边缘断裂、噪声边缘过多等常见问题。
学习目标
- 使用
cv2.Canny配置高低阈值并生成二值边缘图 - 理解高阈值、低阈值与边缘连接之间的关系
- 按固定顺序定位边缘断裂和噪声过多的问题
Canny 的处理链
Canny 会先抑制噪声,再计算梯度方向与强度;随后通过非极大值抑制把宽梯度响应压细,最后使用高低双阈值进行滞后连接:强边缘直接保留,与强边缘连通的弱边缘可继续保留,其余弱响应被舍弃。

因此,threshold1 和 threshold2 不能只理解为“两个独立阈值”。通常把较小值作为低阈值、较大值作为高阈值;两者之间的响应只有在与强边缘连通时才会进入最终结果。
配置阈值并运行
下面构造一个带固定随机噪声的图像,先用高斯滤波降低高频噪声,再执行 Canny。固定随机种子可以让实验可复现。
import cv2
import numpy as np
rng = np.random.default_rng(42)
gray = np.zeros((240, 320), dtype=np.uint8)
cv2.rectangle(gray, (60, 50), (260, 190), 180, 3)
cv2.line(gray, (80, 170), (240, 70), 255, 2)
noise = rng.normal(0, 12, gray.shape).astype(np.int16)
noisy = np.clip(gray.astype(np.int16) + noise, 0, 255).astype(np.uint8)
blurred = cv2.GaussianBlur(noisy, (5, 5), 1.2)
edges = cv2.Canny(blurred, 50, 150, apertureSize=3, L2gradient=True)
cv2.imwrite("canny_edges.png", edges)
print("shape:", edges.shape)
print("dtype:", edges.dtype)
print("binary:", set(np.unique(edges)).issubset({0, 255}))
print("has_edges:", np.count_nonzero(edges) > 0)预期输出
shape: (240, 320)
dtype: uint8
binary: True
has_edges: Truecanny_edges.png 中只有 0 和 255 两类像素。阈值组合 50/150 只是当前测试图的起点,真实图像应根据对比度、噪声和目标边缘强度调整。
边缘断裂时怎么调
边缘明显但被切成许多短段时,先检查是否把阈值设得过高。高阈值过高会减少强边缘种子,低阈值过高又会让本可连接的弱边缘被丢弃。可以逐步降低低阈值或整体下调两个阈值,再观察连续性是否改善。
如果降低阈值后仍断裂,问题可能不在阈值,而在输入本身:过强的模糊会抹掉细弱边缘,照明变化也会让同一轮廓的梯度强度不一致。此时应先检查滤波参数和灰度对比度,而不是无限降低 Canny 阈值。
噪声边缘过多时怎么调
大量纹理和散点被识别为边缘时,优先检查输入噪声。适度增加高斯平滑通常比单纯提高阈值更稳,因为它会在梯度计算前抑制高频扰动。之后再提高低阈值和高阈值,可进一步过滤弱响应。
建立稳定的调参顺序
面对新的图像类型,可以固定使用“先降噪、再阈值、后核对细节”的顺序:先保证输入不过度嘈杂,再从中等阈值开始调整;边缘断裂就小幅降低阈值,噪声过多则先加强轻度平滑,再适当提高阈值。这样能把输入质量问题与阈值问题分开,避免反复试数值却找不到根因。