邊緣檢測是影像處理中用來找出物體邊界的關鍵技術。邊緣通常對應於影像中亮度急遽變化的位置，可協助分割物體、偵測輪廓，並提升後續分析的精度。
常見方法有 Sobel、Laplacian、Canny，各自適用於不同場景。

🖼 測試圖片準備

請準備一張灰階圖片 image.jpg，並放在程式同一資料夾。

import cv2


img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('Original', img)

# 將以下程式碼放在所有顯示語句的最後面
cv2.waitKey()
cv2.destroyAllWindows()

🔹 1. Sobel 邊緣檢測

Sobel 是一階導數運算，能分別檢測水平方向與垂直方向的邊緣，適合用於分析影像的方向性結構。

# Sobel X（水平方向邊緣）
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
# Sobel Y（垂直方向邊緣）
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
# 合併 X 與 Y，取得總邊緣強度
sobel_combined = cv2.magnitude(sobelx, sobely)

cv2.imshow('Sobel X', sobelx)
cv2.imshow('Sobel Y', sobely)
cv2.imshow('Sobel Combined', sobel_combined)

📌 參數說明

• cv2.Sobel(src, ddepth, dx, dy, ksize)
  • src → 輸入影像
  • ddepth → 輸出影像深度（通常 cv2.CV_64F）
  • dx / dy → 導數方向（x=1,y=0 表水平；x=0,y=1 表垂直）
  • ksize → Sobel 核大小（1、3、5、7）

效果示意：可分別取得水平、垂直及綜合邊緣資訊

🔹 2. Laplacian 邊緣檢測

Laplacian 是二階導數運算，能同時檢測影像中所有方向的邊緣，適合用於全局邊緣偵測。

laplacian = cv2.Laplacian(img, cv2.CV_64F, ksize=3)

cv2.imshow('Laplacian', laplacian)

📌 參數說明

• cv2.Laplacian(src, ddepth, ksize)
  • ddepth → 通常設為 cv2.CV_64F
  • ksize → 核大小（1, 3, 5 …）

效果示意：可一次取得各方向的邊緣，對雜訊較敏感

🔹 3. Canny 邊緣檢測

Canny 是一種強大的邊緣檢測演算法，包含高斯模糊、梯度計算、非極大值抑制、雙閾值檢測等步驟。其結果乾淨且抗雜訊，常用於物體輪廓偵測。

canny = cv2.Canny(img, 100, 200)

cv2.imshow('Canny Edge', canny)

📌 參數說明

• cv2.Canny(image, threshold1, threshold2)
  • threshold1 → 低閾值
  • threshold2 → 高閾值

👉 建議先嘗試 (100,200) 或 (50,150)，再依需求調整。閾值設定會影響邊緣偵測的敏感度。

效果示意：可取得乾淨且連續的物體邊界

📊 方法比較

Sobel 適合用於分析影像的方向性結構，Laplacian 可快速取得全局邊緣但易受雜訊影響，Canny 則最適合精確偵測物體輪廓，尤其在雜訊多或需求高精度時。

📖 今日結語

邊緣檢測是影像分析的基礎技術，其中 Canny 是最常用且效果最佳的方法，適合精確偵測物體輪廓；Sobel 與 Laplacian 則適合快速檢測或學習影像梯度結構。根據影像特性與需求，靈活調整參數能取得更理想的結果。