不同光照下Canny边缘检测结果不稳定，如何优化预处理？

我正在用C++和OpenCV做目标检测项目，具体是采集背景上的硬币这类目标图像，通过Canny边缘检测加轮廓滤波实现目标检测，但不同光照条件下检测结果一致性很差。

已尝试的方案 #

• 更换不同灯具、背景及光照布局
• 对比手动与自动Canny阈值
• 测试各类锐化、模糊及形态学操作

示例图像说明 #

• 原图：背景上的硬币图像
• 预处理后图像：经过锐化、亮度对比度调整等操作后的图像
• Canny处理后图像：边缘检测结果（存在边缘断裂或噪声过多情况）

预处理流水线代码 #

我搭建了包含锐化、亮度/对比度调整、模糊、手动/自动Canny、可选膨胀及形态学闭合操作的一体化预处理流水线，简化后的函数代码如下：

void ObjectFinder::applyEdgeFilter(const cv::Mat& input, cv::Mat& preCanny, cv::Mat& edgeImage) const {
    cv::Mat gray;
    cv::cvtColor(input, gray, cv::COLOR_BGR2GRAY);
    cv::equalizeHist(gray, gray);

    cv::Mat sharpened;
    if (m_sharpenMode == 1) {
        cv::Mat blurredForSharpen;
        cv::GaussianBlur(gray, blurredForSharpen, cv::Size(0, 0), 3);
        double factor = (m_sharpenStrength / 100.0) - 1.0;
        cv::addWeighted(gray, 1 + factor, blurredForSharpen, -factor, 0, sharpened);
    } else if (m_sharpenMode == 2) {
        cv::medianBlur(gray, sharpened, 3);
    } else {
        sharpened = gray.clone();
    }

    double alpha = m_contrastValue / 100.0;
    int beta = m_brightnessValue - 100;
    cv::Mat brightContrastAdjusted;
    sharpened.convertTo(brightContrastAdjusted, -1, alpha, beta);

    double sigmaBlur = (m_blurSigmaValue == 0) ? 0.1 : m_blurSigmaValue / 10.0;
    cv::GaussianBlur(brightContrastAdjusted, preCanny, cv::Size(0, 0), sigmaBlur, sigmaBlur);

    if (m_autoCannyMode == 1) {
        double med = computeMedian(preCanny);
        double sigmaAuto = m_sigmaValue / 100.0;
        int lower = std::max(0, int((1.0 - sigmaAuto) * med));
        int upper = std::min(255, int((1.0 + sigmaAuto) * med));
        cv::Canny(preCanny, edgeImage, lower, upper);
    } else {
        cv::Canny(preCanny, edgeImage, m_lowThreshold, m_highThreshold);
    }

    if (m_showDilation == 1) {
        cv::dilate(edgeImage, edgeImage, cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)));
    }

    cv::Mat morphKernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));
    cv::morphologyEx(edgeImage, edgeImage, cv::MORPH_CLOSE, morphKernel);
}

尽管单一场景调参后效果还行，但光照稍有变化或目标移动时，结果差异极大，边缘经常出现断裂或噪声过多的情况，现提出两个技术疑问：

1. 我的预处理流水线（锐化→亮度/对比度调整→模糊→Canny→可选膨胀→形态学操作）是否存在概念错误？
2. 有没有更鲁棒的方法（比如自适应阈值、光照归一化、其他滤波器）实现稳定的边缘检测与轮廓识别？

解决方案 #

1. 预处理流水线的概念问题分析 #

你的流水线整体逻辑方向正确，但存在几个顺序和操作选择的问题：

• 直方图均衡化位置不合理：灰度转换后直接做equalizeHist，后续的亮度对比度调整会抵消部分均衡化效果，甚至引入额外亮度波动。建议将直方图均衡化移到亮度对比度操作之后，或替换为自适应直方图均衡化（CLAHE），避免全局均衡化导致的局部过曝/欠曝。
• 锐化时机不当：当前锐化在灰度均衡后、亮度调整前，会放大噪声，后续亮度调整可能进一步增强噪声。建议把锐化移到模糊操作之后，或优先使用边缘保留的锐化方法（如双边滤波结合锐化），且仅在必要时启用。
• 形态学操作冗余：先做膨胀再做形态学闭合，而形态学闭合本身已包含膨胀+腐蚀的操作，单独膨胀可能过度放大边缘噪声。建议去掉单独的膨胀步骤，或根据需求调整形态学操作的顺序与核大小。

2. 提升鲁棒性的方法建议 #

（1）光照归一化处理

• CLAHE自适应直方图均衡化：替换全局equalizeHist，分块处理图像，保留局部细节：

  cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.0, cv::Size(8,8));
  clahe->apply(gray, gray);
  

• 颜色空间分离处理：将BGR转换到HSV或Lab空间，单独对亮度通道（V或L）做调整，避免颜色通道干扰：

  cv::Mat hsv;
  cv::cvtColor(input, hsv, cv::COLOR_BGR2HSV);
  std::vector<cv::Mat> channels;
  cv::split(hsv, channels);
  // 对V通道做CLAHE或亮度调整
  clahe->apply(channels[2], channels[2]);
  cv::merge(channels, hsv);
  cv::cvtColor(hsv, gray, cv::COLOR_HSV2BGR);
  cv::cvtColor(gray, gray, cv::COLOR_BGR2GRAY);
  

• Retinex光照分离：手动实现单尺度Retinex算法，分离光照与反射分量，消除光照不均：

  cv::Mat logGray;
  cv::log(gray + 1, logGray);
  cv::Mat gaussBlur;
  cv::GaussianBlur(logGray, gaussBlur, cv::Size(0,0), 5);
  cv::Mat retinex = logGray - gaussBlur;
  cv::normalize(retinex, retinex, 0, 255, cv::NORM_MINMAX);
  retinex.convertTo(gray, CV_8U);
  

（2）鲁棒边缘检测方案

• 自适应阈值替代Canny：使用cv::adaptiveThreshold根据局部亮度自动调整阈值，适配光照不均场景：

  cv::Mat adaptiveThresh;
  cv::adaptiveThreshold(preCanny, adaptiveThresh, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY_INV, 11, 2);
  

• 边缘保留滤波：用cv::bilateralFilter替代高斯Blur，平滑噪声的同时保留边缘细节：

  cv::bilateralFilter(brightContrastAdjusted, preCanny, 9, 75, 75);
  

• 优化自动Canny阈值：结合Otsu阈值法计算Canny上下阈值，提升稳定性：

  cv::Mat temp;
  double otsuThresh = cv::threshold(preCanny, temp, 0, 255, cv::THRESH_BINARY + cv::THRESH_OTSU);
  int lower = otsuThresh * 0.5;
  int upper = otsuThresh * 1.5;
  cv::Canny(preCanny, edgeImage, lower, upper);
  

（3）轮廓后处理优化

针对硬币这类圆形目标，增加轮廓形状过滤：

std::vector<std::vector<cv::Point>> contours;
cv::findContours(edgeImage, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

for (auto& contour : contours) {
    double area = cv::contourArea(contour);
    // 过滤过小或过大的轮廓
    if (area < 100 || area > 10000) continue;
    double perimeter = cv::arcLength(contour, true);
    // 计算圆度，接近1为圆形
    double circularity = 4 * CV_PI * area / (perimeter * perimeter);
    if (circularity > 0.8) {
        // 保留符合条件的轮廓
        cv::drawContours(resultImage, {contour}, -1, cv::Scalar(0,255,0), 2);
    }
}

内容的提问来源于stack exchange，提问作者Markus Trost