理论
Canny边缘检测是一种常用的边缘检测算法，并且他是一个多阶段的算法，分成如下几个阶段：
1. 消除噪声
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。
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。从这两张图像中，我们可以找到每个像素的边缘梯度和方向如下:
注：梯度方向总是垂直于边缘。它被四舍五入到四个角中的一个，分别代表垂直、水平和两个对角线方向。
3. 非极大值抑制
在获得梯度大小和方向后，对图像进行全面扫描，以去除任何可能不构成边缘的多余像素。为此，在每个像素处，检查像素是否在梯度方向上的邻域内为局部极大值。查看下面的图片:
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。将点A与点B和点C检验是否形成局部极大值。如果是，则考虑下一阶段，否则将抑制(置零)。
简而言之，你得到的结果是一个“薄边缘”的二值图像。
4. 双阈值检测（Hysteresis Thresholding）
这个阶段决定哪些是真正的边，哪些不是。为此，我们需要两个阈值，minVal和maxVal。任何强度梯度大于maxVal的边肯定是边，而小于minVal的边肯定是非边，因此丢弃。位于这两个阈值之间的边界根据它们的连通性被分类为边或非边。如果它们连接到“确定边缘”像素，则它们被认为是边缘的一部分。否则，它们也会被丢弃。请看下图:
边A在maxVal之上，因此被认为是“稳边”。虽然C边在maxVal之下，但它与A边相连，因此这条边也被认为是有效的，我们得到了完整的曲线。但边B虽然在minVal之上，与边C在同一区域，但没有连接到任何“sure-edge”，故丢弃。因此，我们必须相应地选择minVal和maxVal以获得正确的结果，这是非常重的。
这一阶段还去除假设边是长线的小像素噪声。我们最终得到的是图像中的强边缘。
函数原型
Canny(image: Mat, threshold1, threshold2, edges=..., apertureSize=..., L2gradient=...)
- image: 输入的图像
- threshold1：双阈值检测的minVal
- threshold2：双阈值检测的maxVal
- apertureSize:它是用于寻找图像梯度的Sobel核的大小。缺省值是3。
- L2gradient: 它指定了寻找梯度大小的方程。如果为True，则使用上面提到的更准确的方程，否则使用以下函数:Edge_Gradient(G)=|Gx|+|Gy|。缺省值为False。
代码实例
import matplotlib.pyplot as plt
import numpy as np
import cv2img = cv2.imread("./lena.jpg",cv2.IMREAD_COLOR)img = cv2.GaussianBlur(img,(5,5),1)canny_1 = cv2.Canny(img,60,150)
canny_2 = cv2.Canny(img,50,100)res = np.hstack((canny_1,canny_2))
cv2.imshow("canny",res)
cv2.waitKey(0)
cv2.destroyAllWindows()
