在本教程中，我们将一起学习如何在 OpenCV 中使用基于深度学习的边缘检测技术。相比经典的 Canny 边缘检测器，这种方法更加精确。边缘检测在许多计算机视觉应用中都非常重要，例如视觉显著性检测、目标检测、目标跟踪与运动分析、运动推断结构（Structure from Motion）、3D 重建、自动驾驶、图像到文本分析等。下面，我们将从基础概念入手，一步步带你掌握这项进阶技术。

01 什么是边缘检测？

边缘检测是计算机视觉中一个非常经典的问题。它的核心任务是检测图像中的边缘，从而确定目标的边界，进而分离出我们感兴趣的目标。最流行的边缘检测技术之一是Canny 边缘检测，它已经成为大多数计算机视觉研究人员和实践者的首选方法。我们首先快速回顾一下 Canny 边缘检测的基本原理。

02 Canny 边缘检测算法

1983 年，John Canny 在麻省理工学院发明了 Canny 边缘检测。它将边缘检测视为一个信号处理问题。其核心思想是：如果你观察图像中每个像素的强度变化，在边缘处，变化会非常剧烈。

在下图中，强度变化只发生在边界上。因此，你可以通过观察像素强度的变化轻松识别边缘。

再看这张图片：强度不是恒定不变的，但强度的变化率在边缘处最高（复习微积分：变化率可以用一阶导数（梯度）来计算）。

Canny 边缘检测器通过以下 4 个步骤来识别边缘：

• 去噪：因为该方法依赖强度的突然变化，如果图像包含大量随机噪声，噪声也会被误认为边缘。所以，使用 5×5 的高斯滤波器平滑图像是一个非常好的主意。
• 梯度计算：下一步，计算图像中每个像素的强度梯度（强度变化率）。同时也要计算梯度的方向。

梯度方向垂直于边缘，并被映射到四个方向之一（水平、垂直和两个对角线方向）。

• 非极大值抑制：现在，我们需要删除不是边缘的像素（设置其值为 0）。你可能会想：只需选取梯度值最高的像素即可。但在真实图像中，梯度不会仅仅在一个像素处达到峰值，而是在临近边缘的像素处都非常高。因此，我们在梯度方向上取 3×3 邻域内的局部最大值。

• 迟滞阈值化：最后，我们需要设定一个梯度阈值，低于该阈值的所有像素都将被抑制（设置为 0）。Canny 采用了迟滞阈值法，它使用两个阈值代替一个阈值：
  • 高阈值：选择一个非常高的值，任何梯度值高于此阈值的像素都肯定是边缘。
  • 低阈值：选择一个非常低的值，任何梯度值低于此阈值的像素绝对不是边缘。
  梯度位于这两个阈值之间的像素会被进一步检查：如果它们与边缘相连，则保留；否则丢弃。

迟滞阈值化示意图

03 Canny 边缘检测的问题

Canny 边缘检测器只关注局部变化，没有语义（对图像内容的理解）信息，因此精度有限（在很多情况下确实如此）。

上图中，Canny 边缘检测器失败的原因是缺乏对图像上下文的语义理解。

语义理解对于边缘检测至关重要，这就是为什么基于机器学习或深度学习的检测器能比 Canny 产生更好结果的原因。