1、Canny边缘检测流程
Canny是一个科学家在1986年写了一篇论文，所以用自己的名字来命名这个检测算法，Canny边缘检测算法这里写了5步流程，会用到之前《openCV实战-系列教程》的内容。
- 使用高斯滤波器，以平滑图像，滤除噪声。
- 计算图像中每个像素点的梯度强度和方向。
- 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
- 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
- 通过抑制孤立的弱边缘最终完成边缘检测。
滤波：Canny检测算法使用的滤波器是高斯滤波器，通过滤波器可以对图像进行平滑处理。所以第一步需要过滤噪声，当进行检测的时候，肯定需要计算梯度，当遇到噪音点也会发生梯度的变化，所以为了更好的做到边缘检测，第一步需要去噪。
梯度：之前我们计算梯度的时候，只需要计算大小就行了，但是现在需要计算一下方向，所以梯度计算包括强度和方向。
非极大值抑制：计算的梯度大小有不同，比如在一个3*3的卷积核中，有些梯度比较小，相对大的就会保留下来，小的梯度就不会保留，只留下最明显的。 比如在人脸检测中，需要把人脸部分打出一个框的标识，计算的时候会计算出多个框，每个框都有一个概率值，最后只保留概率最大的那个框，而其他的框就会被抑制掉。
双阈值：计算边界的时候，会计算出多个候选值，在候选值中会再进行计算，只保留最接近真实的那个候选值边界。
完成边缘检测：将前面的结果都组合起来，完成边缘检测。
2、高斯滤波器
在前面的内容中已经讲解过，中间点比较大，越边缘的点越小，图中的H对高斯滤波器的滤波核进行归一化处理，然后再将滤波核H框住的区域A对应位置相乘再求和得到一个结果e。
3、梯度方向
Canny计算梯度使用的是Sobel算子（前面已经讲过这个内容）， Sobel算子中需要分别计算水平和竖直两个方向的Gx和Gy（Gx和Gy的计算如上图），将这个结果融合到一起G计算方法如上图
梯度方向就是θ值，通过Gx和Gy计算得到，计算方法如上图。
4、非极大值抑制
4.1 方法A
如图所示，C点是目标像素点，需要判断C是不是一个极大值点，然后红色方框是它的周围的8个像素，蓝色线是C点的梯度方向，梯度方向和边界方向应该是垂直的关系。
如图所示，g1、g2、g3、g4、c都是一个像素点，而Q、Z是梯度方向与方框的交点，Q和Z不是一个像素是一个亚像素，使用线性插值法计算这个亚像素。
首先g1、g2、g3、g4的梯度（梯度幅值，上一节讲到的梯度计算）都能够计算出来， Q就是g1和g2之间的，用M(dtmp1)表示Q点梯度（梯度幅值），它的计算方法在上图的公式已经给出，w和(1-w)都是代表的是一个权重，是Q点到g1、g2点的距离比上g1到g2的距离。得到权重乘上g1和g2的梯度就得到了Q点的梯度。
通过比较C、Q、Z的梯度值，如果C比Q、Z都要大，则说明C点是一个极大值，就可以将C点保留下来。
4.2 方法B
由于方法A太复杂了，将它简化成方法B，将一个像素周围的8个像素分解成8个方向。在方法1中如果过了g1和g4就不需要做插值了。方法B就是判断当前的方向和这8个方向那个最近就是哪个方向。然后这个方向上除了目标像素值之外还有两个点，如图所示假如分别是A、B、C，如果目标点A比B、C的梯度都要小那么A点就是极大值点。
5、双阈值检测
maxVal即max value，意思是如果算出来的梯度值比maxVal（假如是100）大，那就是边界。
所以A点是边界，如果红色线下方还有一个D点，那么就舍弃这个点，这个点的梯度值比minVal小。
如果是在minval和maxval之间，就要分开讨论了，比如C点和边界点A连接在了一起，那么C点就可以判断为一个边界点，否则比如B点就不是了
6、边缘检测效果实现
这里的80和150就是minVal和maxVal
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')打印结果：
所以minVal和maxVal的设定是比较重要的，第5节中如果对minval进行调整，那么提到的D点就有可能判定为边界点，因此会提取出更多的细节。
再导入一张图片，将两个参数设置的更大一些来对比：
img=cv2.imread("car.png",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')打印结果：
