当前位置：首页>python>一起来用OpenCV-Python搞图像图像轮廓提取 | Part.6

一起来用OpenCV-Python搞图像图像轮廓提取 | Part.6

2026-07-01 14:06:16

第6篇｜OpenCV边缘检测✂️捕捉目标轮廓

上一篇我们讲解了阈值处理，实现了目标与背景的分离，这是图像识别的基础。

但要真正“识别”一个目标，需要捕捉它的边缘——边缘是目标与背景的分界线，也是目标形状、轮廓的关键特征（比如人脸的轮廓、文字的笔画边缘、物体的轮廓）。

今天我们就来讲讲OpenCV中最核心的边缘检测技术。

📌 什么是边缘？如何检测边缘？

首先我们明白一个核心概念：图像中的“边缘”，本质是像素值发生剧烈变化的区域。

比如一张黑色背景上的白色方块，方块的边缘处，像素值从0（黑色）瞬间变为255（白色），这种剧烈的灰度变化，就是边缘的特征。

边缘检测的逻辑，就是识别出像素值迅速变化的区域，具体大概两步：

降噪处理： 图像中通常存在噪声（比如轻微的杂点），噪声会导致边缘误检测，因此第一步需要对图像进行模糊降噪，让真实边缘更加明显；
边缘检测： 通过算法计算像素值的变化幅度，或说梯度。梯度越大，说明像素值变化越剧烈，越可能是边缘，再通过设定阈值，保留梯度大的区域，即得到了边缘。

OpenCV提供了多种常用的边缘检测算法，适用于不同场景，我们重点讲解最常用的Canny算法，以及Sobel、Laplacian两种补充算法。

🔧 三种常用边缘检测算法

我们以“物体轮廓图像”为例，分别演示三种算法的边缘检测效果。

1. Canny边缘检测

Canny算法是目前最常用的边缘检测算法，抗噪声能力强，检测出的边缘更细腻、更精准。它能有效去除虚假边缘，保留真实边缘，适用于大多数场景。

函数调用：

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

参数（重点在前3个）：

image： 需要检测的图像矩阵（灰度图最佳，彩色图也可）；
threshold1： 低阈值（用于过滤弱边缘，常用50-100）；
threshold2： 高阈值（用于确定强边缘，常用100-200）；
补充：高阈值和低阈值的比例通常为2:1或3:1，高于高阈值的是强边缘，低于低阈值的是弱边缘，介于两者之间的，若与强边缘相连，则保留，否则去除。

import cv2# 读取图像并转换为灰度图img = cv2.imread("test.png")img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 高斯模糊降噪（Canny算法内置降噪，但额外降噪效果通常能更好）img_blur = cv2.GaussianBlur(img_gray, (3, 3), 0)  # (3,3)是模糊核大小# Canny边缘检测（低阈值50，高阈值100）canny_edges = cv2.Canny(img_blur, 50, 100)cv2.imshow("original", img)cv2.imshow("Canny edges", canny_edges)cv2.waitKey(0)cv2.destroyAllWindows()

2. Sobel边缘检测

Sobel算法的核心是“通过梯度计算，分别检测水平方向和垂直方向的边缘”，抗噪声能力强，计算速度快，但检测出的边缘较粗，不够细腻，适合对边缘精度要求不高的场景。

函数调用：

cv2.Sobel(src, ddepth, dx, dy, ksize)

参数说明：

src：灰度图像矩阵；
ddepth：输出图像的深度（通常设为cv2.CV_64F，避免梯度计算时数字溢出）；
dx：水平方向梯度（1表示检测水平边缘，0表示不检测）；
dy：垂直方向梯度（1表示检测垂直边缘，0表示不检测）；
ksize： Sobel核的大小（常用3、5、7，值越大，则边缘越粗）。

import cv2import numpy as npimport matplotlib.pyplot as pltimg = cv2.imread("test.png")img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 检测水平方向边缘（dx=1，dy=0）sobel_x = cv2.Sobel(img_gray, cv2.CV_64F, 1, 0, ksize=3)# 检测垂直方向边缘（dx=0，dy=1）sobel_y = cv2.Sobel(img_gray, cv2.CV_64F, 0, 1, ksize=3)# 处理梯度负值（将负值转为正值，避免边缘丢失）sobel_x = cv2.convertScaleAbs(sobel_x)sobel_y = cv2.convertScaleAbs(sobel_y)# 合并水平和垂直边缘sobel_edges = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)plt.subplot(2, 2, 1)plt.imshow(img_gray, cmap="gray")plt.title("Original Gray")plt.subplot(2, 2, 2)plt.imshow(sobel_x, cmap="gray")plt.title("Horizontal Edge")plt.subplot(2, 2, 3)plt.imshow(sobel_y, cmap="gray")plt.title("Vertical Edge")plt.subplot(2, 2, 4)plt.imshow(sobel_edges, cmap="gray")plt.title("Sobel Combined Edge")plt.show()

3. Laplacian边缘检测

Laplacian算法是“检测所有方向的边缘”（不需要分别检测水平和垂直），检测速度快，但抗噪声能力弱，容易检测出虚假边缘，适合“噪声少、边缘清晰”的场景。

函数调用：

cv2.Laplacian(src, ddepth, ksize)

参数说明：与Sobel算法类似，ddepth设为cv2.CV_64F，ksize为奇数（3、5、7）。

import cv2import numpy as npimg = cv2.imread("test.png")img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 高斯模糊降噪（Laplacian抗噪声弱，须先降噪）img_blur = cv2.GaussianBlur(img_gray, (3, 3), 0)# Laplacian边缘检测laplacian_edges = cv2.Laplacian(img_blur, cv2.CV_64F, ksize=3)# 处理梯度负值，转为正值laplacian_edges = cv2.convertScaleAbs(laplacian_edges)cv2.imshow("Original Image", img)cv2.imshow("Laplacian Edge Detection", laplacian_edges)cv2.waitKey(0)cv2.destroyAllWindows()