4. 边缘检测与分割：从像素到特征的实战之路

边缘检测和图像分割，说白了就是把一张照片里「哪里是缺陷、哪里是背景」给拎清楚。我做了这么多年材料检验，见过太多人一上来就调参数，结果边缘没找到，噪声倒是一大堆。今天咱们就把 Sobel、Canny、Laplacian 这三个算子，还有阈值分割和形态学操作，一个一个掰开揉碎了讲。

4.1 边缘检测三大算子：原理与实战对比

边缘是什么？就是图像中灰度值发生剧烈变化的地方。比如裂纹的边缘、气孔的边界。检测边缘，本质上就是求图像的梯度。

4.1.1 Sobel 算子：简单高效的梯度检测

Sobel 算子用两个 3×3 的卷积核，分别计算水平方向和垂直方向的梯度。我习惯叫它「一阶导数的近似」。

// 水平方向 Sobel 核
-1  0  1
-2  0  2
-1  0  1

// 垂直方向 Sobel 核
-1 -2 -1
 0  0  0
 1  2  1

最终边缘强度 = sqrt(Gx² + Gy²)。实际项目中，我经常用 Sobel 做预处理，因为它计算快，对噪声有一定抑制。但有个坑——它对斜向边缘的响应不够好。

4.1.2 Laplacian 算子：二阶导数的敏感者

Laplacian 算子是二阶导数算子。它不区分方向，直接检测灰度值的突变点。常用的核是：

 0 -1  0
-1  4 -1
 0 -1  0

Laplacian 对孤立点、细线的响应特别强。但问题也很明显——它对噪声极度敏感。我曾经在一个钢材表面缺陷检测项目里试过 Laplacian，结果把表面纹理全当成了边缘，误检率直接飙到 40%。

4.1.3 Canny 算子：工业界的黄金标准

Canny 算子不是单一操作，而是一个完整的流程：

1. 高斯滤波——去噪声
2. 计算梯度幅值和方向——用 Sobel 算
3. 非极大值抑制——只保留梯度方向上的局部最大值
4. 双阈值检测——高阈值确定强边缘，低阈值连接弱边缘

Canny 是我在项目中用得最多的算子。它的双阈值机制特别实用——高阈值控制主要边缘，低阈值保证边缘连续性。我一般设高阈值 100~150，低阈值 30~50，具体看图像对比度。

4.2 阈值分割：把图像变成二值图

边缘检测完了，下一步就是把缺陷区域从背景里「切」出来。阈值分割是最直接的方法。

4.2.1 Otsu 阈值：自动寻找最佳分割点

Otsu 法基于一个简单的想法：让前景和背景的类间方差最大。它自动计算阈值，不需要人工干预。

我记得有一次做陶瓷基板的裂纹检测，光照条件不稳定，手动设阈值根本行不通。换成 Otsu 后，程序自己就能找到合适的阈值，准确率从 60% 提到了 85%。

// Otsu 阈值计算核心思路
1. 统计灰度直方图
2. 遍历所有灰度值（0~255）
3. 计算每个灰度值下的类间方差
4. 取类间方差最大的灰度值作为阈值

4.2.2 自适应阈值：应对光照不均

实际检验中，光照不均太常见了。比如金属表面的反光、曲面上的阴影。这时候全局阈值（包括 Otsu）都会出问题。

自适应阈值的做法是：把图像分成小块，每块单独计算阈值。我常用的参数是块大小 11×11，常数 C 取 2~5。

// 自适应阈值（均值法）
对每个像素 (x, y)：
  1. 取周围 block_size × block_size 的邻域
  2. 计算邻域均值（或高斯加权均值）
  3. 阈值 = 均值 - C
  4. 如果像素值 > 阈值，设为 255；否则设为 0

4.3 形态学操作：让分割结果更干净

阈值分割后的二值图，往往有毛刺、空洞、孤立点。形态学操作就是用来处理这些问题的。

4.3.1 腐蚀与膨胀

操作	效果	典型应用
腐蚀	缩小前景区域，消除细小的连接	去除噪声点、分离粘连的缺陷
膨胀	扩大前景区域，填充小空洞	连接断裂的边缘、填补缺陷内部的空洞

腐蚀和膨胀的核心是结构元素（kernel）。我常用 3×3 的矩形核，偶尔用十字形或椭圆形，看缺陷形状。

4.3.2 开运算与闭运算

开运算 = 先腐蚀后膨胀。闭运算 = 先膨胀后腐蚀。

• 开运算：去除细小的突出物，断开狭窄的连接。适合去除噪声点。
• 闭运算：填充细小的空洞，连接邻近的物体。适合填补缺陷内部的断裂。

我处理金属表面气孔时，常用开运算去掉表面的灰尘噪声，再用闭运算把气孔内部的断裂边缘连起来。两步下来，缺陷轮廓就清晰多了。

4.4 本章知识体系总览

4.5 实战建议与避坑总结

嗯，这一章的内容就到这儿。边缘检测和分割是材料缺陷检验的基石，后面所有的特征提取、分类、测量，都建立在这些操作之上。把这一章吃透了，后面的路就好走了。