Canny：阈值和噪声

1. 霍夫 peak 全假，先查 Canny

车道线霍夫检测 peak 爆炸，RViz 满屏线。不是霍夫参数 alone——Canny 在纹理区碎成满天星，双阈值连的是梯度幅值，不是「看起来像边」。深度学习主导检测后，Canny 调参直觉仍有用：标定板边缘预处理、霍夫、contour 链路都直接吃 edge 质量。Canny 没有「万能阈值」——每张图最优双阈值随对比度变；产线固定光照才能固化 sigma 与双阈值进 config。

2. 四步链路与 API

高斯平滑 $G_{σ} * I$ ，抑制噪声
Sobel 求 $G_{x}, G_{y}$ ，幅值 $M = G_{x}^{2} + G_{y}^{2}$
非极大值抑制，方向量化 4 向
Hysteresis：强边（大于 high）保留；弱边（low 到 high）仅当连到强边才保留

python

blur = cv2.GaussianBlur(gray, (0, 0), sigmaX=1.5)
edges = cv2.Canny(blur, threshold1=50, threshold2=150,
                  apertureSize=3, L2gradient=True)

threshold1 比 threshold2 通常一比二或一比三。L2gradient 等于 True 用 L2 梯度幅值，更准略慢；False 用绝对值之和。apertureSize 三、五、七对应 Sobel kernel。Canny 输入必须 8-bit single channel；16-bit 先 convertScaleAbs。

3. σ 与阈值联动

Canny 不直接暴露 sigma——先 GaussianBlur 再 Canny，或调 blur kernel。sigma 大 → 边少且断；sigma 小 → 噪声边。plot M histogram，strong 取 90–95 percentile，weak 等于 0.4–0.5 乘 strong。光照均匀 scene 可用 median heuristic：

python

v = np.median(gray)
lower, upper = int(max(0, 0.66*v)), int(min(255, 1.33*v))
edges = cv2.Canny(gray, lower, upper, apertureSize=3)

这是工程 heuristic，非 Canny 论文原意；对比度变化大的 scene 不可靠。

4. 下游关系

findContours 吃 edge 连通性；HoughLinesP peak count 直接反映 edge density。JPEG 块效应产生假边——源图质量是前置条件。现代 pipeline Canny 多作 debug viz，检测用 learned——但 debug 链路仍要可解释，sigma 与 threshold 联动关系不能丢。我会把 sigma、t_low、t_high 写进产线 config，跨班次对比 edge density 漂移。

5. 失败模式

情况	表现
纹理丰富	碎边
低对比	无 edge
JPEG 块效应	假边
σ 过大	结构断

6. 验收

edge density vs σ 曲线；霍夫 peak count；小样本人工标注边 recall。固定 scene 记录参数进 config，跨班次对比 edge density 漂移。Canny 是梯度幅值阈值游戏——理解 hysteresis 连边机制，比死记 threshold 有用。

7. 案例：纹理区碎边导致霍夫 peak 爆炸

某车道线检测霍夫 peak 满屏，查 Canny 在沥青纹理区碎成满天星。先 GaussianBlur sigma 从一点零加到二点零，再调高 strong threshold，peak 降到可接受。不是霍夫参数 alone——edge 质量是前置。产线固定光照才能固化 sigma 与双阈值。

8. 与 Sobel 对照理解 threshold

单独跑 Sobel 看梯度幅值 histogram，可理解 threshold 该设在哪段。Canny 内部 NMS 方向量化四向；L2gradient 与绝对值之和梯度定义不同，threshold 数值不可直接迁移。理解链路比死记参数有用。

9. 下游 Hough 与 contour

findContours 后 RETR_EXTERNAL 取外轮廓；HoughLinesP peak count 直接反映 edge density。JPEG 块效应产生假边——源图质量是前置。现代 pipeline Canny 多作 debug viz，但 debug 链路仍要可解释。我会把 sigma、t_low、t_high 写进产线 config。

10. 验收清单

edge density vs σ 曲线；霍夫 peak count；小样本人工标注边 recall。固定 scene 记录参数，跨班次对比 edge density 漂移。产线固定光照才能固化参数；对比度变化大的 scene 不可靠。

11. 案例：低对比无 edge

某标定板边缘低对比，Canny 几乎无 edge，霍夫无 peak。先 stretch 对比度或降 strong threshold，再查 sigma。低对比不是霍夫参数 alone——edge 质量是前置。理解 hysteresis 连边机制，比死记 threshold 有用。产线固定光照才能固化 sigma 与双阈值；对比度变化大的 scene 用 median heuristic 不可靠。16-bit 图先 convertScaleAbs 再 Canny；JPEG 块效应假边要从源图质量治。Hough 与 contour 链路都直接吃 edge density，Canny 是前置不是可跳过。apertureSize 三对应 Sobel 三乘三；L2gradient 与绝对值之和 threshold 不可直接迁移。plot 梯度 histogram 选阈比死记 fifty/一百五十可靠；强边取 ninety–ninety-five percentile 是常见起点。高斯 sigma 与 Canny 双阈值联动：sigma 大边少且断，sigma 小噪声边。固定 scene 把 sigma、t_low、t_high 写进 config，跨班次对比 edge density 漂移；对比度变化大的 scene 不可靠。Canny 四步：高斯、Sobel 梯度、NMS、hysteresis 连边——理解链路比死记参数有用。下游 Hough 与 findContours 都直接吃 edge 质量。产线固定光照才能固化参数；JPEG 块效应与低对比要从源图与 sigma 联动治理，别只调霍夫 threshold。