边缘检测实际上就是对图像进行系统的梯度计算，包含了图像的噪声处理，非极大值抑制，双阈值检测等一系列图像处理方式，通过这些方式处理图像后得到图像的轮廓。这些方式在之前的博客都已经提到过i了，而Opencv提供了一个非常方便的函数进行边缘检测，它将高斯滤波，梯度大小及方向计算，非极大值抑制，双阈值检测等几个边缘检测常用函数全部集成为一个函数，使用者只需要给出两个阈值的大小即可。
相关函数
cv2.Canny(XT_gray,minVal,maxVal)：XT_gray为要进行处理的图像，而minVal是最小阈值，maxVal则是最大阈值。这两个参数可以自己设定，范围是0~255，而最小阈值表示如果检测到的梯度像素点小于最小阈值，那么它将会被舍去（即赋值为0），而介于最小阈值和最大阈值之间的梯度像素点,如果该像素点与边界相连，则将其保留为边界，否则同样舍去，而如果梯度像素点大于最大阈值，则直接将其认定为边界像素点，这样我们就舍去了图像模糊的部分，得到了图像明显的边界。
注意：在实际操作中，如果想要保留图像更多细节，则可以适当降低最小阈值，而反过来，如果想要简化图像，只想得到图像大体轮廓，则应该增大最小阈值。
代码示例
import cv2#导入相关包
import numpy as np
import matplotlib.pyplot as plt
XT_gray = cv2.imread("XT.jpeg",cv2.IMREAD_GRAYSCALE)#读入图像并将格式转化为灰度图
def cv2_imshow(name,img):#定义展示图像的函数cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
cv2_imshow("XT",XT_gray)#展示读入为灰度图的图像
X = cv2.Canny(XT_gray,30,100)#最小阈值比较小的情况
Y = cv2.Canny(XT_gray,150,200)#最小阈值比较大的情况
All = np.hstack((X,Y))#拼接两张图像以进行对比
cv2_imshow("All",All)#展示图像
运行结果
原图
灰度图
不同阈值的对比图，可以看到，左边最小阈值较小的图像细节会比较明显，但是看起来轮廓就不太清晰了
