目标
在本章中，我们将了解
- Canny边缘检测的概念
- OpenCV函数用于：cv2.Canny()
理论
Canny边缘检测是一种流行的边缘检测算法。它是由约翰·F·坎尼于1986年开发的。这是一个多阶段的算法。
降噪
由于边缘检测对图像中的噪声很敏感，第一步是用5x5高斯滤波器去除图像中的噪声。
图像强度梯度的求取
然后在水平方向和垂直方向用Sobel核对平滑后的图像进行滤波，得到水平方向的一阶导数(
)和垂直方向(
)从这两幅图像中，我们可以找到每个像素的边缘梯度和方向如下：
梯度方向总是垂直于边缘。它是圆形的四个角之一，代表垂直，水平和两个对角线方向。
非极大抑制
在获得梯度幅值和方向后，对图像进行全面扫描，以消除可能不构成边缘的任何不需要的像素。为此，在每个像素上，检查像素是否是其邻域内沿梯度方向的局部最大值。检查下面的图像：
A点在边缘(垂直方向)。梯度方向是正常的边缘。点B和C呈梯度方向。因此，用点B和点C检查点A，看看它是否形成局部最大值。如果是，则考虑到下一阶段，否则就会被抑制(将为零)。
简而言之，你得到的结果是一幅带有“薄边”的二值图像。
迟滞阈值
这个阶段决定了哪些是边缘，哪些是真正的边，哪些不是边。为此，我们需要两个阈值，MinVal和MaxVal。任何强度梯度大于MaxVal肯定是边，而小于MinVal肯定是非边缘的，所以被丢弃了。处于这两个阈值之间的人根据其连通性分为边缘或非边缘。如果它们连接到“确定边缘”像素，则它们被视为边缘的一部分。否则，它们也会被丢弃。见下图：
边缘A在MaxVal，因此被认为是“确定边缘”。虽然边缘C在MaxVal下面，但是它与边A相连，因此也被认为是有效边，我们得到了这条全曲线。但是边缘B，虽然它在上面MinVal并且与边缘C的区域相同，它没有连接到任何“确定边”，因此被丢弃。所以我们必须相应地选择MinVal和MaxVal，得到正确的结果。
这一阶段也消除了小像素噪声的假设，边缘是长线。所以我们最终得到的是图像中的强边。
OpenCV中的Canny边缘检测
OpenCV将上述所有功能都放在一个函数中，cv2.Canny()。我们会看看如何使用它。第一个参数是我们的输入图像。第二个和第三个参数分别是我们的MinVal和MaxVal。第三个参数是aperture_size。它是用于查找图像梯度的Sobel核的大小。默认情况下是3。最后一个参数是L2gradient ，它指定了求梯度幅值的公式。如果是True，它使用上面提到的更精确的方程，否则它使用这个函数：
。默认情况下，它是False。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('messi5.jpg',0)
edges = cv2.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()见以下结果：
