Canny边缘检测是一种使用多级边缘检测算法检测边缘的方法。1986年，John F.Canny发表了著名的论文A Computational Approach to Edge Detection，在该论文中详述了如何进行边缘检测。
4.1 原理介绍
Canny边缘检测分为如下几个步骤。
步骤1：去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。
由于图像边缘非常容易受到噪声的干扰，因此为了避免检测到错误的边缘信息，通常 需要对图像进行滤波以去除噪声。滤波的目的是平滑一些纹理较弱的非边缘区域，以便得 到更准确的边缘。在实际处理过程中，通常采用高斯滤波去除图像中的噪声。
（关于高斯滤波可以看Opencv之图像滤波：4.高斯滤波（cv2.GaussianBlur））
步骤2：计算梯度的幅度与方向。
我们介绍了Sobel、Scharr等算子，。在这里，我们关注梯度的方向，梯度的方向与边缘的方向是垂直的。边缘检测算子返回水平方向的Gx和垂直方向的Gy。梯度的幅度G和方向Θ（用角度值表示）为：
式中，atan2（•）表示具有两个参数的arctan函数。梯度的方向总是与边缘垂直的，通常就近取值为水平（左、右）、垂直（上、下）、对角线（右上、左上、左下、右下）等8个不同的方向。 因此，在计算梯度时，我们会得到梯度的幅度和角度（代表梯度的方向）两个值。
步骤3：非极大值抑制，即适当地让边缘“变瘦”。
在获得了梯度的幅度和方向后，遍历图像中的像素点，去除所有非边缘的点。在具体实现时，逐一遍历像素点，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，并根据判断结果决定是否抑制该点。通过以上描述可知，该步骤是边缘细化的过程。针对每一个像素点：
● 如果该点是正/负梯度方向上的局部最大值，则保留该点。
● 如果不是，则抑制该点（归零）。
步骤4：确定边缘。使用双阈值算法确定最终的边缘信息。
完成上述步骤后，图像内的强边缘已经在当前获取的边缘图像内。但是，一些虚边缘可能也在边缘图像内。这些虚边缘可能是真实图像产生的，也可能是由于噪声所产生的。对于后者，必须将其剔除。设置两个阈值，其中一个为高阈值maxVal，另一个为低阈值minVal。根据当前边缘 像素的梯度值（指的是梯度幅度，下同）与这两个阈值之间的关系，判断边缘的属性。具体步骤为：
（1）如果当前边缘像素的梯度值大于或等于maxVal，则将当前边缘像素标记为强边缘。
（2）如果当前边缘像素的梯度值介于maxVal与minVal之间，则将当前边缘像素标记为虚边缘（需要保留）。
（3）如果当前边缘像素的梯度值小于或等于minVal，则抑制当前边缘像素。
在上述过程中，我们得到了虚边缘，需要对其做进一步处理。一般通过判断虚边缘与强边缘是否连接，来确定虚边缘到底属于哪种情况。通常情况下，如果一个虚边缘：
● 与强边缘连接，则将该边缘处理为边缘。
● 与强边缘无连接，则该边缘为弱边缘，将其抑制。
注意，高阈值maxVal和低阈值minVal不是固定的，需要针对不同的图像进行定义。
4.2 函数语法
OpenCV提供了函数cv2.Canny（）来实现Canny边缘检测，其语法形式如下： edges=cv.Canny（image,threshold1,threshold2[,apertureSize[,L2gradient]]）
式中：
● edges为计算得到的边缘图像。
● image为8位输入图像。
● threshold1表示处理过程中的第一个阈值。
● threshold2表示处理过程中的第二个阈值。
● apertureSize表示Sobel算子的孔径大小。
● L2gradient为计算图像梯度幅度（gradient magnitude）的标识。其默认值为False。 如果为 True，则使用更精确的 L2范数进行计算（即两个方向的导数的平方和再开方）， 否则使用L1范数（直接将两个方向导数的绝对值相加）。一般令L2gradient为默认值。
4.3 程序示例
import cv2 as cv
img = cv.imread('D:\\xq.jpg')
if img is None:
print('Failed to read the image')
edges1 = cv.Canny(img, 32, 128)
cv_show('edges1', edges1)原图如下：
Canny边缘检测结果：
当函数cv2.Canny（）的参数threshold1和threshold2的值较小 时，能够捕获更多的边缘信息。