OpenCV 提供了多种边缘检测算法，用于提取图像中亮度变化显著的区域，是图像分割、目标检测等任务的基础。常用的边缘检测方法包括 Canny 边缘检测、Sobel 算子 和 Laplacian 算子。以下逐一介绍，并给出 Python 代码示例。

1. Canny 边缘检测
Canny 是最经典、效果最好的边缘检测算法之一，流程包括：高斯滤波去噪、计算梯度幅值和方向、非极大值抑制、双阈值检测和边缘连接。

函数原型
edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)
image：输入图像（单通道灰度图）

threshold1：低阈值

threshold2：高阈值（通常高阈值是低阈值的 2~3 倍）

apertureSize：Sobel 算子核大小，默认为 3

L2gradient：是否使用更精确的 L2 范数计算梯度，默认 False

示例
import cv2
import matplotlib.pyplot as plt

# 读取图像并转为灰度
img = cv2.imread('example.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Canny 边缘检测
edges = cv2.Canny(gray, 50, 150)  # 低阈值50，高阈值150

# 显示结果
plt.subplot(121), plt.imshow(gray, cmap='gray'), plt.title('Original')
plt.subplot(122), plt.imshow(edges, cmap='gray'), plt.title('Canny Edges')
plt.show()

2. Sobel 边缘检测
Sobel 算子计算图像在 x 和 y 方向的一阶导数，通过梯度幅值得到边缘强度。

函数原型
sobelx = cv2.Sobel(src, ddepth, dx, dy, ksize)
ddepth：输出图像深度，常用 cv2.CV_64F 保持负数梯度

dx, dy：x 和 y 方向求导的阶数（通常组合为 (1,0) 或 (0,1)）

ksize：Sobel 核大小，取奇数（如 3, 5）

计算梯度幅值
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
magnitude = cv2.magnitude(sobelx, sobely)
# 转换为 uint8
magnitude = np.uint8(np.clip(magnitude, 0, 255))

3. Laplacian 边缘检测
Laplacian 算子基于二阶导数，对噪声敏感，通常需要先做平滑。

函数原型
laplacian = cv2.Laplacian(src, ddepth, ksize=1)
ksize：核大小，必须是正奇数（默认为 1，此时使用 3×3 核）
laplacian = cv2.Laplacian(gray, cv2.CV_64F)
laplacian = np.uint8(np.absolute(laplacian))

综合示例对比
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像并转为灰度
img = cv2.imread('example.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Canny
canny = cv2.Canny(gray, 50, 150)

# Sobel
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
sobel = cv2.magnitude(sobelx, sobely)
sobel = np.uint8(np.clip(sobel, 0, 255))

# Laplacian
laplacian = cv2.Laplacian(gray, cv2.CV_64F)
laplacian = np.uint8(np.absolute(laplacian))

# 显示结果
titles = ['Original', 'Canny', 'Sobel', 'Laplacian']
images = [gray, canny, sobel, laplacian]

plt.figure(figsize=(12, 8))
for i in range(4):
   plt.subplot(2, 2, i+1)
   plt.imshow(images[i], cmap='gray')
   plt.title(titles[i])
   plt.axis('off')
plt.tight_layout()
plt.show()

参数调优建议
Canny 阈值：低阈值控制保留边缘的最小梯度，高阈值控制初始强边缘。通常低阈值:高阈值 ≈ 1:2 或 1:3。若边缘过多，提高两个阈值；若边缘过少，降低阈值。

Sobel 核大小：ksize 越大，检测到的边缘越粗，但对噪声更鲁棒。

预处理：边缘检测前往往需要高斯模糊（cv2.GaussianBlur）去除噪声，尤其对于 Sobel 和 Laplacian。

后处理：可使用形态学操作（如膨胀、腐蚀）连接断开的边缘。

总结
方法 特点 适用场景
Canny 效果最佳，抗噪性强，边缘连续 通用场景，如目标检测、轮廓提取
Sobel 计算简单，可分别提取水平和垂直边缘 需要方向信息时（如车道线检测）
Laplacian 对边缘定位准确，但易受噪声影响 需快速检测时，常配合高斯滤波使用
掌握这些基础方法后，可根据实际图像质量与需求选择合适的算子，并调整参数以获得理想的边缘检测结果。