（纯新手教学）计算机视觉（opencv）实战八——四种边缘检测详解：Sobel、Scharr、Laplacian、Canny

边缘检测详解：Sobel、Scharr、Laplacian、Canny

边缘检测是图像处理和计算机视觉中的重要步骤，主要用于发现图像中亮度变化剧烈的区域，即物体的轮廓、边界或纹理特征。OpenCV 提供了多种常用的边缘检测算子，本教程将通过四种方法带大家详细学习：Sobel、Scharr、Laplacian、Canny。

图片准备：

可直接使用下图，也可自备图片

以下所有处理后的结果：

一、Sobel 算子

1. 原理

Sobel 算子本质上是 一阶导数算子，通过对图像在 x方向和y方向 上分别求导，检测像素灰度变化最明显的部分。

• dx=1, dy=0：只检测水平方向（垂直边缘）。

• dx=0, dy=1：只检测垂直方向（水平边缘）。

• 将两者结合，可以得到完整的边缘信息。

2. 函数原型

cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])

参数说明：

• src：输入图像，可以是灰度图或彩色图。

• ddepth：输出图像的深度，常用 cv2.CV_64F 保存负数梯度信息。

• dx, dy：求导方向，dx=1 表示对x方向求导，dy=1 表示对y方向求导。

• ksize：卷积核大小，常用3或5，必须为奇数。

3. 示例代码

import cv2
img = cv2.imread('violet.jpg', flags=0)#不用灰度试试效果
img = cv2.resize(img,(800,500))
cv2.imshow('img',img)
cv2.waitKey(0)img_x_64 = cv2.Sobel(img,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
img_x_full = cv2.convertScaleAbs(img_x_64)#转换为绝对值，负数转换为正数
img_y_64 = cv2.Sobel(img,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
img_y_full = cv2.convertScaleAbs(img_y_64)#转换为绝对值，负数转换为正数
img_xy_sobel_full = cv2.addWeighted(img_x_full, 1, img_y_full, 1, 0)
cv2.imshow('img_xy_sobel_full',img_xy_sobel_full)
cv2.waitKey(0)

4. 特点

• 简单高效，适合大多数情况。

• 容易受噪声影响。

二、Scharr 算子

1. 原理

Scharr 算子是 Sobel 算子的改进版本，当卷积核大小为 3 时，它在近似旋转对称性方面更优，因此检测效果更清晰、平滑。

2. 函数原型

cv2.Scharr(src, ddepth, dx, dy)

相比 Sobel，参数更少，专门优化了 3×3 核的情况。

3. 示例代码

img_x_64 = cv2.Scharr(img,cv2.CV_64F,dx=1,dy=0)#默认int8改为float64，可保存负数
img_x_full = cv2.convertScaleAbs(img_x_64)#转换为绝对值，负数转换为正数
img_y_64 = cv2.Scharr(img,cv2.CV_64F,dx=0,dy=1)#默认int8改为float64，可保存负数
img_y_full = cv2.convertScaleAbs(img_y_64)#转换为绝对值，负数转换为正数
img_xy_Scharr_full = cv2.addWeighted(img_x_full, 1, img_y_full, 1, 0)
cv2.imshow('img_xy_Scharr_full',img_xy_Scharr_full)
cv2.waitKey(0)

4. 特点

• 对细节和纹理捕捉更好。

• 运算速度和 Sobel 接近，但效果更佳。

三、Laplacian 算子

1. 原理

Laplacian 算子是 二阶导数算子，通过检测像素灰度的二阶变化，直接找出边缘。
与 Sobel、Scharr 不同，它不分方向，而是直接整体检测。

2. 函数原型

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

参数说明：

• src：输入图像。

• ddepth：输出图像深度。

• ksize：卷积核大小（一般取1、3、5）。

3. 示例代码

img_lap = cv2.Laplacian(img,cv2.CV_64F)
img_lap_full = cv2.convertScaleAbs(img_lap)#转换为绝对值，负数转换为正数
cv2.imshow('img_lap_full',img_lap_full)
cv2.waitKey(0)

4. 特点

• 可以快速检测边缘，但更容易受噪声干扰。

• 常与高斯滤波结合使用（Laplacian of Gaussian, LoG）

四、Canny 算子

1. 原理

Canny 是经典的 多阶段边缘检测算法，相比前面三种更稳定、抗噪能力更强。其步骤包括：

1. 高斯滤波去噪。

2. 计算梯度强度与方向。

3. 非极大值抑制（只保留局部最大边缘）。

4. 双阈值检测（区分强边缘与弱边缘，并进行连接）。

2. 函数原型

cv2.Canny(image, threshold1, threshold2[, apertureSize[, L2gradient]])

参数说明：

• image：输入图像，最好是灰度图。

• threshold1：低阈值。

• threshold2：高阈值。

• apertureSize：Sobel 算子的核大小（默认3）。

3. 示例代码

img_canny = cv2.Canny(img, threshold1=150, threshold2=230)#低，高
cv2.imshow('img_canny',img_canny)
cv2.waitKey(0)

4. 特点

• 效果最优，边缘清晰完整。

• 阈值选择影响很大。

五、效果对比总结

六、实践建议

1. 快速检测：用 Sobel 或 Scharr。

2. 细节要求高：优先 Scharr。

3. 检测轮廓：Laplacian + 高斯滤波。

4. 稳定性优先：Canny。

这样，一张图像可以通过这四种算子分别得到不同风格的边缘信息，从而应用在 目标检测、图像分割、OCR、医学影像分析 等场景中。