4、经典边缘检测算法（上）：Canny边缘检测算法详解

各位同学，今天我们来啃一块硬骨头——Canny边缘检测。说实话，我在做嵌入式视觉的头两年，一直觉得Canny就是个黑盒子，调调阈值就完事了。直到有一次在工业相机项目里，因为边缘检测不准导致定位偏差，我才老老实实把每一行代码都捋了一遍。

Canny算法之所以经典，是因为它把边缘检测这件事拆成了四个清晰的步骤。每一步都有它的道理，少一步都不行。咱们今天就把这四步掰开揉碎了讲。

第一步：去噪——高斯滤波

为什么要先做去噪？你想想看，边缘检测本质上是在找图像中像素值剧烈变化的地方。但噪声也会引起像素值突变，如果不先滤掉噪声，算法会把噪声当成边缘。

Canny用的是高斯滤波。说白了就是用周围像素的加权平均值来代替当前像素值，权重由高斯函数决定。离中心越近的像素权重越大，越远的权重越小。

我记得第一次在STM32上实现时，直接用了5x5的高斯核，结果处理一帧640x480的图像要200多毫秒。后来改成3x3核，速度翻了一倍，效果也还能接受。这里给大家一个经验：嵌入式平台上，3x3高斯核是性价比最高的选择。

第二步：梯度计算——Sobel算子

去噪之后，我们要找到图像中像素变化最剧烈的方向。Canny用的是Sobel算子，它有两个3x3的卷积核：一个检测水平方向变化（Gx），一个检测垂直方向变化（Gy）。

具体怎么算？我直接上代码，这是我在项目里用过的简化版：

// 3x3 Sobel 水平梯度计算
int sobel_x(int img[3][3]) {
    return (img[0][2] + 2*img[1][2] + img[2][2]) 
         - (img[0][0] + 2*img[1][0] + img[2][0]);
}

// 3x3 Sobel 垂直梯度计算
int sobel_y(int img[3][3]) {
    return (img[2][0] + 2*img[2][1] + img[2][2]) 
         - (img[0][0] + 2*img[0][1] + img[0][2]);
}

有了Gx和Gy，我们就可以算出每个像素的梯度幅值和方向：

• 梯度幅值：G = sqrt(Gx² + Gy²)。嵌入式里为了省计算，常用 |Gx| + |Gy| 近似。
• 梯度方向：θ = atan2(Gy, Gx)。这个反正切函数在MCU上很慢，我一般用查表法。

第三步：非极大值抑制——让边缘变细

这一步是Canny的精髓。你想想，经过梯度计算后，一个边缘区域会有很多像素都算出了较大的梯度值。但真正的边缘应该只有一条线，而不是一片模糊的带子。

非极大值抑制的做法是：对于每个像素，沿着它的梯度方向，检查它是不是局部最大值。如果是，保留；如果不是，置为0。

嗯，这里要注意一个细节：梯度方向是连续的，但像素是离散的。我们需要把梯度方向量化到四个方向：0°、45°、90°、135°。然后比较当前像素和它相邻两个像素的梯度值。

我曾经在移植时犯过一个低级错误：忘记处理边界像素。结果图像边缘出现了一圈假边缘，排查了半天才发现是数组越界导致的。所以大家写代码时，边界处理一定要单独写逻辑。

第四步：双阈值检测——区分强弱边缘

经过非极大值抑制，我们得到了一堆候选边缘点。但哪些是真正的边缘，哪些是噪声残留？Canny用双阈值来解决这个问题。

具体做法是设置两个阈值：

• 高阈值（T_high）：梯度值高于此阈值的，确定为强边缘。
• 低阈值（T_low）：梯度值低于此阈值的，直接丢弃。
• 中间区域：介于两者之间的，标记为弱边缘。如果弱边缘与强边缘相连，则保留；否则丢弃。

这个「滞后阈值跟踪」的逻辑，说白了就是：强边缘是确定的，弱边缘只有跟强边缘沾亲带故才算数。

阈值怎么选？我个人的习惯是：高阈值取梯度最大值的70%-80%，低阈值取高阈值的1/3到1/2。但这个比例不是固定的，得根据你的图像场景来调。比如在光照均匀的室内场景，阈值可以设得低一些；在户外强光下，阈值就得提高。

场景	高阈值建议	低阈值建议
室内均匀光照	梯度最大值的70%	高阈值的1/3
户外强光	梯度最大值的85%	高阈值的1/2
低对比度场景	梯度最大值的60%	高阈值的1/4

最后说一句，Canny在PC上跑得很欢，但移植到嵌入式平台时，每一步都可能成为性能瓶颈。我的建议是：先保证功能正确，再逐步骤优化。别一上来就想着用汇编优化，先把算法跑通再说。

下一章我们会讲另一个经典算法——Sobel和Laplacian，它们比Canny简单，但各有各的妙用。咱们到时候接着聊。