📚 课程目录第1章边缘增强基础

1. 边缘增强基础

各位做安防监控的同行，咱们今天聊聊边缘增强。说实话，这个知识点看着基础，但我在项目里见过太多人把它搞混了。你想想看，一个监控画面，边缘清晰了，车牌、人脸、细节全都能看清；边缘糊了，再好的后端算法也白搭。

边缘，说白了就是图像中像素值发生剧烈变化的地方。比如白色墙壁和黑色门框的交界线，或者人脸轮廓和背景的分界线。从数学角度看，边缘对应着图像函数的梯度模值较大的区域。

我习惯把边缘分成三类：

嗯，这里要注意：安防场景里大部分是阶跃边缘和斜坡边缘。我记得有一次处理地下车库的监控画面，灯光昏暗，所有边缘都变成了斜坡边缘，用常规方法根本检测不出来。后来我换了思路，先做自适应直方图均衡，再提取边缘，效果才出来。

Sobel 算子是最经典的边缘检测方法之一。它的核心思想很简单：用两个 3×3 的卷积核，分别计算图像在水平方向和垂直方向上的梯度。

水平方向核（检测垂直边缘）：

-1  0  1
-2  0  2
-1  0  1

垂直方向核（检测水平边缘）：

-1 -2 -1
 0  0  0
 1  2  1

计算过程就是拿这两个核去卷积图像，得到两个方向的梯度值 Gx 和 Gy。然后合成梯度幅值：

G = sqrt(Gx² + Gy²)

我个人习惯用近似公式 G ≈ |Gx| + |Gy|，虽然精度差一点，但计算速度快很多。在嵌入式设备上做实时处理时，这个优化很关键。

实战技巧：Sobel 对噪声比较敏感。我在处理老旧模拟摄像头信号时，画面雪花噪点很多，直接用 Sobel 会得到一堆假边缘。我的做法是先做一次高斯滤波（3×3 核，σ=0.8），再做 Sobel 检测，效果明显改善。

Canny 算法是业内公认的「黄金标准」。它比 Sobel 复杂，但效果也更好。我把它拆成四个步骤来讲：

双阈值检测这块，我多说两句。高阈值 T_high 决定哪些是「强边缘」，低阈值 T_low 决定哪些是「弱边缘」。只有与强边缘相连的弱边缘才会被保留。这个机制能有效抑制噪声产生的孤立边缘点。

我曾经在一个周界入侵检测项目里，用 Canny 做运动目标轮廓提取。一开始阈值设得太高，把入侵者的背包轮廓给滤掉了；设得太低，树叶晃动产生的假边缘全进来了。后来我根据场景光照动态调整阈值，才稳定下来。

  关键参数建议：
  高斯核大小：5×5，σ=1.0~1.5
低阈值 T_low：30~50
高阈值 T_high：100~150
高低阈值比例建议 2:1 到 3:1

这个问题，我每次培训都要强调。很多人把边缘增强和锐化混为一谈，其实它们完全是两码事。

说白了，边缘增强是「精准打击」——我只增强边缘，其他地方不动。锐化是「地毯式轰炸」——所有高频细节一起增强，包括噪声。

我举个例子你就明白了。处理一张夜间监控截图，画面里有车牌和大量噪点。如果用锐化，车牌数字清晰了，但噪点也变明显了，整个画面看起来很脏。如果用边缘增强，先检测出车牌数字的边缘，只对这些边缘做增益，噪点区域保持不变，画面干净又清晰。

避坑指南：我曾经在一个项目中，直接用 USM 锐化处理低照度监控画面，结果噪声被放大了 3 倍，画面完全没法看。后来我改用边缘增强方案，先做 Canny 检测，再对边缘区域做 1.5 倍增益，非边缘区域保持原值，效果好了很多。记住：安防场景，保真比好看更重要。

下面这张图把本章的核心知识点串起来了，你可以对照着梳理思路。

这张图把本章的三个核心知识点串起来了。从左到右看：先理解边缘是什么（三种类型），再掌握怎么检测边缘（Sobel 和 Canny），最后搞清楚增强和锐化的本质区别。我建议你把这个框架记在脑子里，后面几章的内容都是在这个基础上展开的。