摘要：边缘检测是计算机视觉中的核心任务，旨在识别图像中亮度发生剧烈变化的特征点。本文将深度解析四大主流边缘检测算子（Sobel, Scharr, Laplacian, Canny）的数学原理、卷积核结构、API 应用及性能对比。

---

1. 边缘检测核心原理

边缘是图像中像素灰度值发生显著变化的区域。从数学角度看，边缘对应着函数值的极值点。

1.1 两大检测流派

1. 基于搜索 (一阶导数)：
   • 通过计算图像的一阶导数（梯度）来检测边缘。
   • 原理：边缘处的一阶导数通常取得最大值。
   • 代表算子：Sobel 算子、Scharr 算子。
2. 基于零穿越 (二阶导数)：
   • 通过寻找图像二阶导数的零交叉点（Zero-Crossing）来定位边界。
   • 代表算子：Laplacian 算子。

---

2. 一阶微分算子：Sobel 与 Scharr

2.1 Sobel 算子原理

Sobel 算子结合了高斯平滑与微分求导，具有较好的抗噪能力。

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

数学表达：
对于离散图像，一阶导数近似为：
$$f^{\prime }(x)=\frac{f(x+1)-f(x-1)}{2}$$

卷积核结构：

• 水平方向 (Gx)：检测垂直边缘
  $$G_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right]\ast I$$
• 垂直方向 (Gy)：检测水平边缘
  $$G_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ +1& +2& +1\end{array}\right]\ast I$$

最终梯度幅度：
$$G=\sqrt{G_x^2+G_y^2}$$

2.2 代码实战

注意：由于导数会出现负值，必须使用 cv2.CV_16S 防止截断，处理后再转回 uint8。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/horse.jpg',0)
# 2 计算Sobel卷积结果
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)
# 3 将数据进行转换
Scale_absX = cv.convertScaleAbs(x)  # convert 转换  scale 缩放
Scale_absY = cv.convertScaleAbs(y)
# 4 结果合成
result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
# 5 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(result,cmap = plt.cm.gray),plt.title('Sobel滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

2.3 Scharr 算子 (Sobel 的增强版)

当内核大小为 3 时，Sobel 算子误差较大。Scharr 算子提供了更高的精度，其卷积核如下：
$$G_x=\left[\begin{array}{ccc}-3& 0& +3\\ -10& 0& +10\\ -3& 0& +3\end{array}\right],G_y=\left[\begin{array}{ccc}-3& -10& -3\\ 0& 0& 0\\ +3& +10& +3\end{array}\right]$$

2.4 代码实战

将上述代码中计算sobel算子的部分中将ksize设为-1，就是利用Scharr进行边缘检测。

x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize = -1)
y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize = -1)

---

3. 二阶微分算子：Laplacian

3.1 Laplacian算子原理

Laplacian 算子利用二阶微分捕捉图像中的突变。

laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

数学公式：
$$\Delta src=\frac{{\partial }^{2}src}{\partial x^2}+\frac{{\partial }^{2}src}{\partial y^2}$$
离散化后的二阶导数：
$$f^{\prime \prime }(x)=f(x+1)+f(x-1)-2f(x)$$

标准卷积核：
$$Kernel=\left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]$$

注：Laplacian 对噪声极其敏感，通常在执行前需要先进行高斯平滑。

3.2 代码实战

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/horse.jpg',0)
# 2 laplacian转换
result = cv.Laplacian(img,cv.CV_16S)
Scale_abs = cv.convertScaleAbs(result)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(Scale_abs,cmap = plt.cm.gray),plt.title('Laplacian检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

---

4. 最优检测算法：Canny 边缘检测

Canny 算法由 John F. Canny 于 1986 年提出，被公认为边缘检测的标准算法。

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

4.1 四大核心步骤

1. 噪声去除：使用 $5\times 5$ 高斯滤波器平滑图像。
2. 计算梯度：利用 Sobel 算子计算图像梯度幅值 $G$ 和方向 $\theta ={\tan }^{-1}(G_y/G_x)$。
3. 非极大值抑制 (NMS)：
   • 逐个像素检查其梯度是否为邻域内的局部最大值。
   • 作用：排除非边缘点，获得“细边”效果。
4. 滞后阈值 (Hysteresis Thresholding)：
   • 设置两个阈值：minVal 和 maxVal。
   • 高于 maxVal 为强边缘（确定保留）。
   • 低于 minVal 为非边缘（抛弃）。
   • 介于两者之间且与强边缘相连的被保留。

4.2 代码实战

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/horse.jpg',0)
# 2 Canny边缘检测
lowThreshold = 0
max_lowThreshold = 100
canny = cv.Canny(img, lowThreshold, max_lowThreshold) 
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

---

5. 核心 API 总结表

算子名称	OpenCV API 方法	关键参数	备注
Sobel	cv2.Sobel()	dx, dy, ksize	常用 CV_16S 防止截断
Scharr	cv2.Sobel(ksize=-1)	dx, dy	仅支持 3x3 卷积核
Laplacian	cv2.Laplacian()	ddepth, ksize	二阶导，对噪声敏感
Canny	cv2.Canny()	threshold1, threshold2	最优算法，边缘精细

---

6. 算子特性对比

1. 准确性：Canny > Scharr > Sobel > Laplacian。
2. 抗噪性：Sobel/Scharr 内置平滑，抗噪性强于未处理的 Laplacian。
3. 效率：Sobel 算法简单，执行速度极快，适用于实时性要求高的工业场景。
4. 结果形式：Sobel 输出的是梯度图像（有灰度变化），而 Canny 输出的是二值图像（清晰的单像素线条）。

---

💡 最佳实践建议：

• 在对边缘精度要求极高的检测任务中，优先选择 Canny。
• 如果需要快速计算图像梯度方向（如 HOG 特征提取），优先选择 Sobel。
• 进行 Laplacian 操作前，请务必先执行 cv2.GaussianBlur() 以降低误报率。