4. 图像处理基础（二）：边缘检测与形态学操作

好，咱们接着聊图像处理。上一节我们讲了滤波和直方图，算是给图像做了个“清洁”和“体检”。这一节，我们要进入更核心的部分——边缘检测和形态学操作。

说白了，边缘检测就是帮计算机找到图像里“哪里变了”。而形态学操作，则是处理图像形状的“手术刀”。这两个东西，在我做过的几乎所有视觉项目里，都出现过。嗯，一个都跑不掉。

4.1 边缘检测：找到图像中的“突变”

边缘是什么？其实就是图像中像素值发生剧烈变化的地方。比如，白色背景上放一个黑色杯子，杯子的轮廓就是边缘。计算机怎么找？靠计算梯度。

我个人习惯把边缘检测分成两类：一阶导数和二阶导数。不过实战中，我们最常用的就是 Sobel 和 Canny。前者是基础，后者是进阶。

4.1.1 Sobel 算子：有方向的边缘检测

Sobel 算子其实就是一个 3x3 的卷积核。它有两个版本：一个检测水平边缘，一个检测垂直边缘。你想想看，图像是二维的，边缘当然也有方向。

import cv2
import numpy as np

# 读取图像，转为灰度
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# Sobel 边缘检测
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)  # 水平方向
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)  # 垂直方向

# 转换为可显示的格式
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)

# 合并两个方向
sobel_combined = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)

Sobel 的优点是计算快，缺点是对噪声敏感。所以，我建议在使用 Sobel 之前，先做一次高斯滤波。嗯，这是标准流程。

4.1.2 Canny 边缘检测：工业级标准

Canny 算法是我个人最喜欢的边缘检测方法。它不只是一个算子，而是一整套流程。说白了，它做了四件事：去噪、算梯度、非极大值抑制、双阈值检测。

为什么 Canny 这么强？因为它用双阈值解决了“弱边缘”的问题。高阈值确定强边缘，低阈值保留弱边缘，只要弱边缘和强边缘相连，就保留。这招很聪明。

# Canny 边缘检测
edges = cv2.Canny(img, threshold1=50, threshold2=150)

# 调整阈值观察效果
edges_low = cv2.Canny(img, 30, 100)   # 低阈值，更多细节
edges_high = cv2.Canny(img, 100, 200) # 高阈值，只保留强边缘

cv2.imshow('Canny Standard', edges)
cv2.imshow('Canny Low', edges_low)
cv2.imshow('Canny High', edges_high)
cv2.waitKey(0)

阈值怎么选？我一般用 threshold1:threshold2 = 1:2 或 1:3 的比例。比如 50:150 就是一个不错的起点。你可以用滑动条调试，找到最适合你图像的参数。

4.2 形态学操作：图像的“整形手术”

形态学操作，听起来很高大上，其实就是处理图像形状的。它基于数学形态学，但实战中我们只需要记住几个基本操作：腐蚀、膨胀、开运算、闭运算。

这些操作通常用于二值图像（黑白图）。你想想看，二值图像里只有 0 和 255，处理起来特别干净。

4.2.1 腐蚀与膨胀：最基础的操作

腐蚀：让白色区域变小。原理是用一个结构元素（比如 3x3 的矩形）在图像上滑动，只有结构元素覆盖的区域全是白色，中心点才保留白色。否则变黑。

膨胀：让白色区域变大。只要结构元素覆盖的区域有一个白色，中心点就变白。

这两个操作是相反的。腐蚀可以消除小白点（噪声），膨胀可以填充小黑洞。

# 创建结构元素
kernel = np.ones((5,5), np.uint8)

# 腐蚀
erosion = cv2.erode(img_binary, kernel, iterations=1)

# 膨胀
dilation = cv2.dilate(img_binary, kernel, iterations=1)

cv2.imshow('Original', img_binary)
cv2.imshow('Erosion', erosion)
cv2.imshow('Dilation', dilation)
cv2.waitKey(0)

4.2.2 开运算与闭运算：组合拳

开运算 = 先腐蚀后膨胀。作用是去除小白点，同时保持主体形状不变。

闭运算 = 先膨胀后腐蚀。作用是填充小黑洞，同时保持主体形状不变。

你想想看，如果直接腐蚀，白色区域会变小。再膨胀回来，小白点没了，但大块区域恢复了。这就是开运算的精髓。

# 开运算
opening = cv2.morphologyEx(img_binary, cv2.MORPH_OPEN, kernel)

# 闭运算
closing = cv2.morphologyEx(img_binary, cv2.MORPH_CLOSE, kernel)

cv2.imshow('Opening', opening)
cv2.imshow('Closing', closing)
cv2.waitKey(0)

4.3 边缘检测 + 形态学：黄金搭档

这两个技术经常一起用。比如，先用 Canny 提取边缘，但边缘可能不连续。这时候用形态学的闭运算，把断开的边缘连起来。或者，先用形态学去噪，再用 Canny 检测，效果更好。

# 完整流程示例
# 1. 读取并灰度化
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 2. 高斯滤波去噪
blurred = cv2.GaussianBlur(img, (5,5), 1.5)

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

# 4. 形态学闭运算连接断开的边缘
kernel = np.ones((3,3), np.uint8)
edges_closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)

cv2.imshow('Edges', edges)
cv2.imshow('Edges Closed', edges_closed)
cv2.waitKey(0)

这个流程，我在做车道线检测时用过。车道线有时因为光照原因断断续续，闭运算一处理，线条就完整了。嗯，效果立竿见影。

4.4 本章小结

这一节我们讲了两个核心工具：边缘检测和形态学操作。Sobel 适合快速检测，Canny 适合高质量检测。腐蚀膨胀是基础，开闭运算是进阶。

我个人建议，初学者先把 Canny 和开闭运算练熟。这两个组合能解决 80% 的常见问题。剩下的 20%，等你遇到具体项目时，再针对性学习。

记住一句话：图像处理没有银弹。每个项目都要调参数、试流程。多动手，多踩坑，经验就来了。

---

公众号:蓝海资料掘金营，微信deep3321