边缘检测是什么？找出图像中亮度变化明显的轮廓

边缘检测（Edge Detection）是图像处理和计算机视觉中的一个基本问题，它的目的是标识出数字图像中亮度变化明显的点。图像中这些属性的显著变化，通常反映了图像中重要的事件和变化：比如物体和背景的分界、物体表面朝向的改变、材质的变化、光照和阴影的变化。把这些边缘找出来，就能勾勒出图像中物体的轮廓和结构。

为什么边缘很重要

人在看一幅画时，即使只看一张简单的线条素描，也能认出画的是什么。这说明物体的轮廓，也就是边缘，包含了大量用于识别物体的关键信息。边缘检测能够大幅减少需要处理的数据量：从包含几百万个像素的完整图像中，只提取出相对少量的边缘信息，同时又保留了图像中最重要的结构特征。因此，它常常作为很多更高级的视觉任务的预处理步骤，比如物体识别、图像分割、特征提取和三维重建。

它的基本原理

边缘的本质是亮度的剧烈变化。在数学上，变化的快慢可以用导数来衡量：在亮度平稳的区域，导数接近于零；在边缘处，亮度突然变化，导数就会很大。由于图像是由离散的像素组成的，实际中用相邻像素之间亮度的差值来近似计算导数，也就是图像的梯度。常用的方法是用一个小的矩阵，叫卷积核或算子，在图像上滑动，计算每个位置的梯度大小和方向。

经典的边缘检测方法

基于一阶导数的方法：Sobel 算子、Prewitt 算子、Roberts 算子，它们分别计算水平和垂直两个方向的梯度，梯度大的地方就是边缘。Sobel 算子还对中心像素赋予了更大的权重，对噪声有一定的抑制作用。基于二阶导数的方法：拉普拉斯算子，计算亮度变化的二阶导数，在边缘处二阶导数会出现由正到负的“过零点”。它对噪声比较敏感，通常先用高斯滤波对图像进行平滑，再使用拉普拉斯算子，称为 LoG（高斯-拉普拉斯）方法。

Canny 边缘检测器：由 John Canny 在 1986 年提出，被认为是最经典、最常用的边缘检测算法之一。它分为几个步骤：先用高斯滤波去除噪声；计算每个像素的梯度大小和方向；进行非极大值抑制，只保留梯度方向上幅值为局部极大的点，让边缘变得又细又准确；最后用双阈值处理，强边缘直接保留，弱边缘只有在与强边缘相连时才保留，从而去掉噪声引起的虚假边缘，同时保持边缘的连续性。

今天的地位

在深度学习时代，卷积神经网络的浅层会自动学到类似边缘检测器的特征，很多任务不再需要单独做边缘检测；也出现了基于深度学习的边缘检测方法，能检测出更符合人类认知的物体轮廓。但传统的边缘检测因为简单、快速、可解释，仍然被广泛用于工业检测、文档处理、医学图像分析等场景。在 AI 绘画中，用边缘检测得到的线稿图，还常被用作 ControlNet 的输入，来控制生成图像的构图和轮廓。