4、边缘检测（Canny）：Canny算法原理与参数调优实战
各位同学，今天我们来聊聊边缘检测里最经典的一个算法——Canny。说实话，我在车载视觉领域摸爬滚打这么多年，Canny 几乎是我每次做车道线检测预处理时都会用到的工具。它不像一些深度学习模型那么“黑盒”，每一步都有清晰的数学逻辑，调参也很有讲究。
嗯，咱们直接进入正题。Canny 算法之所以经典，是因为它解决了三个核心问题：低错误率（尽量少漏检真实边缘）、高定位精度（检测到的边缘要贴近真实位置）、单像素响应（每个边缘只被标记一次）。说白了，就是既要找得准，又要画得细，还不能重复。
4.1 算法原理：四步走
Canny 算法其实就四个步骤，我习惯把它记成“平滑-梯度-NMS-双阈值”。咱们一个一个拆开看。
4.1.1 高斯平滑
第一步，去噪。图像里的噪声，比如传感器热噪声、路面颗粒感，都会在梯度计算时被放大成假边缘。所以先得用高斯滤波器把图像模糊一下。
高斯核的大小很关键。核越大，平滑效果越强，但边缘也会变模糊。我在项目中遇到过一个问题：某次在雨天测试，图像噪声特别大，我用了 5x5 的高斯核，结果车道线边缘被磨得太圆润，后续拟合出来的线歪了。后来我改成 3x3 核，配合后续的双阈值调整，才把问题解决。
4.1.2 梯度计算
平滑之后，我们要找图像中亮度变化最剧烈的地方。这里用的是 Sobel 算子，分别计算水平方向（Gx）和垂直方向（Gy）的梯度。
梯度幅值公式很简单：G = sqrt(Gx² + Gy²)。方向呢？θ = atan2(Gy, Gx)。嗯，这里要注意，方向是垂直于边缘的，我们后面做非极大值抑制时会用到。
我个人习惯在代码里直接用 OpenCV 的 cv2.Sobel()，但如果你要自己实现，记得把数据类型转成 float，不然计算精度会丢。
import cv2
import numpy as np
# 假设 img 是灰度图
grad_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
grad_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
magnitude = np.sqrt(grad_x**2 + grad_y**2)
angle = np.arctan2(grad_y, grad_x) * 180 / np.pi
angle = (angle + 180) % 180 # 映射到 0-180 度4.1.3 非极大值抑制（NMS）
这一步是 Canny 的精髓。你想想看，梯度计算完后，边缘其实是一条“粗”的带子，有很多像素点都算出了高梯度值。NMS 要做的就是：只保留梯度方向上的局部最大值，把其他点抑制掉。
具体怎么做？对于每个像素，沿着它的梯度方向（正反两个方向）看相邻两个像素的梯度幅值。如果当前像素不是最大的，就把它置为 0。这样边缘就变成单像素宽了。
我曾经在调试时发现，如果 NMS 这一步没处理好，车道线边缘会断断续续，像虚线一样。后来检查发现是角度量化时精度不够，把方向分得太粗了。嗯，这里建议把角度量化到 4 个方向（0°、45°、90°、135°）就够了，太细反而容易受噪声干扰。
4.1.4 双阈值检测与边缘连接
最后一步，我们要从 NMS 的结果中筛选出真正的边缘。Canny 用了两个阈值：高阈值（T_high）和低阈值（T_low）。
- 梯度幅值 > T_high：强边缘，直接保留。
- 梯度幅值 < T_low：非边缘，直接丢弃。
- 介于两者之间：弱边缘，只有与强边缘相连时才保留。
这个“相连”的判断很关键。我刚开始做的时候，以为弱边缘只要挨着强边缘就行，结果发现很多噪声点也被连进来了。后来我改成用 8 邻域判断，并且要求弱边缘至少与两个强边缘像素相连，效果才稳定下来。
4.2 参数调优实战
理论讲完了，咱们来点实际的。Canny 在 OpenCV 里就一行代码：cv2.Canny(img, low_threshold, high_threshold)。但参数怎么调？我总结了一套方法论。
4.2.1 高斯核大小
| 场景 | 推荐核大小 | 说明 |
|---|---|---|
| 白天、光照均匀 | 3x3 | 保留细节，边缘清晰 |
| 夜间、噪声大 | 5x5 | 去噪强，但边缘会变粗 |
| 雨天、雾天 | 7x7 | 需要强平滑，但后续要降低阈值 |
4.2.2 双阈值调优策略
我个人的调参习惯是这样的：
- 先固定高阈值：用
cv2.Canny(img, 50, 150)跑一遍，看强边缘是否完整。如果车道线断断续续，说明高阈值太高了，降一点。 - 再调低阈值：低阈值决定了弱边缘的保留程度。如果边缘太碎、噪声点多，就把低阈值抬高。如果边缘缺失严重，就降低低阈值。
- 最后微调比例：我一般保持高阈值是低阈值的 2-3 倍。如果场景对比度低（比如阴天），我会把比例降到 1.5:1。
import cv2
def canny_edge_detection(image, low=50, high=150, kernel_size=3):
# 1. 高斯平滑
blurred = cv2.GaussianBlur(image, (kernel_size, kernel_size), 0)
# 2. Canny 边缘检测
edges = cv2.Canny(blurred, low, high)
return edges
# 测试不同参数
img = cv2.imread('lane.jpg', cv2.IMREAD_GRAYSCALE)
edges1 = canny_edge_detection(img, low=30, high=90) # 低阈值，边缘多
edges2 = canny_edge_detection(img, low=50, high=150) # 中等阈值
edges3 = canny_edge_detection(img, low=100, high=300) # 高阈值，边缘少4.2.3 自适应阈值
车载场景光照变化大，固定阈值肯定不行。我推荐用 Otsu 算法自动计算阈值，或者用图像均值和标准差来动态调整。
def auto_canny(image, sigma=0.33):
# 计算图像中值
v = np.median(image)
# 根据中值自动设置阈值
low = int(max(0, (1.0 - sigma) * v))
high = int(min(255, (1.0 + sigma) * v))
return cv2.Canny(image, low, high)这里的 sigma 参数我一般设 0.33。如果场景对比度低，可以降到 0.2；如果对比度高，可以升到 0.5。嗯，这个值是我在多个数据集上试出来的，你可以根据自己的场景微调。
4.3 总结与思考
Canny 算法虽然经典，但也不是万能的。在车载场景下，它最大的问题是对光照敏感。比如逆光时，车道线边缘会被强光淹没；阴影下，路面的裂缝又会被误检成边缘。
我的建议是：把 Canny 作为预处理的一环，而不是终点。后面我们会讲到霍夫变换、RANSAC 拟合，这些方法能进一步过滤掉噪声边缘，提取出真正的车道线。
好了，这一章的内容就到这里。下一章我们会讲霍夫变换，看看怎么从这些边缘点中找出直线来。到时候我会分享一个我在高速公路上遇到的“幽灵车道线”案例，很有意思。