使用OpenCV实现Canny边缘检测，代码可直接运行

以下是一个详细的Python代码示例，使用OpenCV实现Canny边缘检测。代码可直接运行，请确保已安装OpenCV库（pip install opencv-python）。

# 导入OpenCV库
import cv2
import numpy as np

# 读取输入图像（请确保当前目录下有一张名为'image.jpg'的图片）
# 或者替换为你的图片路径
image = cv2.imread('image.jpg')

# 检查图像是否正确加载
if image is None:
    print("错误：无法读取图像，请检查文件路径")
    exit()

# 步骤1：将图像转换为灰度图（Canny需要单通道输入）
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 步骤2：应用高斯模糊降噪（内核大小建议为奇数，常用5x5或7x7）
blurred = cv2.GaussianBlur(gray_image, (5, 5), 0)

# 步骤3：执行Canny边缘检测
# 参数说明：
#   blurred: 输入图像
#   50: 低阈值
#   150: 高阈值（推荐比例为1:2或1:3）
edges = cv2.Canny(blurred, 50, 150)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Canny Edges', edges)

# 保存结果到文件
cv2.imwrite('canny_edges_result.jpg', edges)

# 等待按键后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

代码说明：

1. 图像读取：使用cv2.imread()读取图像，如果路径错误会提示错误信息
2. 灰度转换：Canny算法需要单通道输入，因此先将BGR图像转为灰度
3. 高斯模糊：使用5x5高斯核消除噪声，这是Canny检测前的关键预处理步骤
4. Canny检测：
   • 低阈值（50）：梯度值低于此的视为非边缘
   • 高阈值（150）：梯度值高于此的视为强边缘
   • 中间值根据连续性判断（边缘跟踪）
5. 结果显示：同时显示原始图像和边缘检测结果
6. 结果保存：将边缘检测结果保存为canny_edges_result.jpg

运行准备：

1. 将你的测试图像命名为image.jpg放在代码同级目录
2. 或修改代码中的文件路径为你的实际路径
3. 安装OpenCV：pip install opencv-python

参数调整建议：

• 阈值比例推荐保持1:2或1:3
• 模糊内核越大，细节越少（降噪效果越强）
• 高阈值越高，检测到的边缘越少

运行后会看到两个窗口：左边是原始图像，右边是边缘检测结果。按任意键可退出程序。