原理
Canny边缘检测是一种常用的边缘检测算法。由 John F. Canny提出
这是一个多阶段的算法，我们将经历每个阶段。
1.降低噪音
由于边缘检测容易受到图像中噪声的影响，第一步是用5x5高斯滤波器去除图像中的噪声。我们在前几章已经见过了。
2.寻找图像的强度梯度
然后对平滑后的图像进行水平方向和垂直方向的Sobel核滤波，得到水平方向(Gx)和垂直方向(Gy)的一阶导数。这两幅图像中，我们可以发现每个像素的边缘梯度和方向如下:
梯度方向总是垂直于边缘，它是四角之一，代表垂直、水平和两个对角线方向。
3.非极大值抑制
得到梯度大小和方向后，对图像进行全面扫描，去除非边界点。在每个像素处，看这个点的梯度是不是周围具有相同梯 度方向的点中最大的，查看下图:
点A在边缘上(垂直方向)。梯度方向垂直于边缘。点B和点C在梯度方向上，因此，点A与点B和点C进行检查，看它是否形成局部最大值，如果是，则将其考虑到下一阶段，否则将抑制它(使其为零)。
简而言之，您得到的结果是一个具有“细边”的二进制图像。
4.滞后阈值
现在要确定那些边界才是真正的边界，为此，我们需要两个阈值，minVal和maxVal。任何强度梯度大于maxVal的边都肯定是边，小于minVal的边肯定是非边，所以丢弃。位于这两个阈值之间的根据它们的连接性对边缘或非边缘进行分类（如果介于两者之间的话，就要看这个点是 否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是 就抛弃。如下图：
A 高于阈值 maxVal 所以是真正的边界点。C 虽然低于 maxVal 但高于minVal 并且与 A 相连，所以也被认为是真正的边界点。而 B 就会被抛弃，因 为他不仅低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。 在这一步一些小的噪声点也会被除去，因为我们假设边界都是一些长的线段。
OpenCV中的Canny边缘检测
OpenCV将所有这些都放在一个函数cv.Canny中。第一个参数是输入图像。第二个和第三个参数分别是minVal和maxVal。第三个参数是aperture_size，它是用来寻找图像梯度的Sobel内核的大小，默认值是3。最后一个参数是L2gradient，它指定了求梯度大小的方程。
函数：
edges=cv.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
edges=cv.Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]])
参数：
| dx | 16-bit 输入图像的x导数 (CV_16SC1 or CV_16SC3). |
| dy | 16-bit 输入图像的y导数 (和dx有相同类型). |
| edges | 输出的边缘地图; 单通道8-bit 图像, 与输入图像有相同大小。 |
| threshold1 | 第一个阈值，低阈值 |
| threshold2 | 第二个阈值，高阈值 |
| L2gradient | 如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。 |
举例：
import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('4.jpg', 0) edges = cv.Canny(img, 100, 200) plt.subplot(121), plt.imshow(img, cmap='gray') plt.title('Original Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(edges, cmap='gray') plt.title('Edge Image'), plt.xticks([]), plt.yticks([]) plt.show()
