今天学习下 Canny检测，具体的算法介绍在代码中展示。
import cv2
import numpy as np
# 边缘检测，边缘点的特征就是梯度大，一般非边缘点，梯度就偏小甚至是0
# Canny 边缘检测流程：
# 1：使用高斯滤波器平滑图像，去除噪声点
# 2：计算图像中的每个像素点的梯度和方向，这个方法可以使用Sobel算子X和Y方向得到
# 3：应用非极大值抑制（Non-Maximum-suppression），消除一些边缘检测的边缘影响，因为很可能临近的像素点都可能被认为是边缘点，这个时候就得去除一些不必要的干扰点，取最有可能的边缘像素点
# 4：应用双阈值法，确定真实地潜在的边界，去掉一些不必要的噪声点
# 5：再抑制掉孤立的边缘（认为是噪声或者不关键的边缘点）完成目的
# 拆解说明
# 1: 高斯滤波器，这个我们很熟悉了，使用下面的核进行卷积操作
# 比如：
# H = [[0.0924, 0.1192, 0.0924],
# [0.1192, 0.1538, 0.1192],
# [0.0924, 0.1192, 0.0924]]
# img = img * H
# 2：计算像素点的梯度和方向
# 这里使用Sobel算子
# Sx = [[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]
# Sy = [[-1, -2, -1], [0, 0, 0], [1, 2, 1]]
# 分别和图像机进行卷积，得到水平梯度Gx，以及垂直梯度Gy
# Gx = img * Sx
# Gy = img * Sy
# 利用 Gx 和 Gy 计算总的梯度强度G 和方向 θ
# G = (Gx^2 + Gy^2)^0.5
# θ = arctan(Gy / Gx)，这个是为了确定该中心像素点是和哪俩临近像素点进行比较
# 3：非极大值抑制
# 为了计算简单，一个像素点周围的有八个方向，角度分别是(0, 45,90, 135, 180, 225, 270, 315)
# θ和哪个角度范围最近，就归属于哪个角度，每个角度方向上都可以找到中心点临近的N个数值（梯度强度值），N取决于kernel size的大小
# 中心点的梯度强度值和 临近的N个点的梯度强度值做对比，如果中心点的梯度强度值最大，则保留该强度值，否则抑制掉，改成0。
# 4：双阈值法
# 设置一个梯度强度最大值 max, 和梯度强度最小值 min
# 对上面计算后的强度在进行过滤，
# 梯度强度值小于 min的，直接抑制掉，改为0.
# 梯度强度值大于 max的，直接保留。
# 梯度强度介于二者之间的，看看这个数值是否和其他边界相连接，有链接的话则保留，否则则抑制为0。
img = cv2.imread('images/saoge.jpg', cv2.IMREAD_GRAYSCALE)
print(img.shape)
can1 = cv2.Canny(img, threshold1=20, threshold2=100)
print(can1.shape)
can2 = cv2.Canny(img, threshold1=80, threshold2=160)
print(can2.shape)
ret = np.hstack((img, can1, can2))
cv2.imshow('Canny', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果如下：
