Python OpenCV实现Canny边缘检测：原理、步骤与代码示例

小鹿同学

发布时间：2026-10-13 | 5人浏览过

原创

本文详解利用Python和OpenCV进行Canny边缘检测的完整流程，涵盖去噪、梯度计算、非极大值抑制及滞后阈值四个核心步骤。通过cv2.Canny函数实现一键检测，并演示如何结合滑动条动态调整阈值下限与上限，以观察不同参数对边缘提取效果的影响。

Canny边缘检测原理与步骤

本文介绍如何使用Python结合OpenCV库完成图像边缘检测任务。通常情况下，该过程需依次执行以下关键步骤：

1、去噪处理

首先需对原始图像进行降噪，例如使用cv2.GaussianBlur()等滤波函数，以减少噪声对后续边缘检测的干扰。

2、计算图像梯度

图像梯度反映了相邻像素间灰度值的变化幅度。变化剧烈的区域通常对应图像边缘。这一过程可简化为计算像素值的差分变化。

3、非极大值抑制

在获取梯度的大小和方向后，需对整幅图像进行扫描，以消除非边界上的冗余点。具体做法是对每个像素点进行检查，判断其梯度值是否为同方向邻域内的最大值。如图所示：

4、滞后阈值处理

此步骤旨在确定真正的边缘像素。系统需设定两个阈值：minVal（下限）和maxVal（上限）。若像素点的灰度梯度高于maxVal，则被判定为真实边缘；若低于minVal，则直接丢弃。对于介于两者之间的像素点，需检查其是否与已被确认为真实边缘的像素相连：若相连，则保留为边缘点；否则予以剔除。具体逻辑如下图所示：

OpenCV Canny函数实现与参数调整

在Python的OpenCV接口中，提供了cv2.Canny函数，可一键执行上述完整的边缘检测流程。

接下来，通过具体实验演示如何利用Canny函数进行边缘检测。

Canny函数主要需要指定以下参数：

1、待检测边缘的原始图像 2、阈值下限（minVal） 3、阈值上限（maxVal）

为了直观展示不同阈值范围对边缘检测结果的影响，代码中设置了两个滑动条，分别用于动态调整阈值的上限和下限。

完整实现代码如下：


# -*- coding: utf-8 -*-
"""
Created on Thu Sep 13 14:23:32 2018
@author: Leon
内容：
对图片进行边缘检测；
添加滑动条，可自由调整阈值上下限。
"""
 
import cv2
import numpy as np
 
def nothing(x):
  pass
 
cv2.namedWindow('Canny',0)
# 创建滑动条
cv2.createTrackbar('minval','Canny',0,255,nothing)
cv2.createTrackbar('maxval','Canny',0,255,nothing)
 
img = cv2.imread('Tree.jpg',0)
 
# 高斯滤波去噪
img = cv2.GaussianBlur(img,(3,3),0)
edges =img
 
k=0
while(1):
 
  key = cv2.waitKey(50) & 0xFF
  if key == ord('q'):
    break
  # 读取滑动条数值
  minval = cv2.getTrackbarPos('minval','Canny')
  maxval = cv2.getTrackbarPos('maxval','Canny')
  edges = cv2.Canny(img,minval,maxval)
  
  # 拼接原图与边缘监测结果图
  img_2 = np.hstack((img,edges))
  cv2.imshow('Canny',img_2)
 
cv2.destroyAllWindows()

运行效果如图所示：