作为图像边缘检测方式的一种，其的结果是单像素边缘。
在OpenCV图像库函数中，它的函数形式为：
参数说明：
image 表示输入的图像数据，单通道灰度图；
edges 表示输出的图像边缘数据信息；
threshold1与threshold2 表示两个阈值，大的阈值控制着边缘信息的分割，小的阈值控制着边缘信息的连接；
aperture_size 表示图像平滑的尺寸大小。
算法具体的流程可以如下：
1）输入图像的平滑处理。
2）计算图像的梯度信息。
3）计算图像的梯度幅值信息。
4）对梯度幅值进行非极大值抑制，具体算法思想在于观察当前点的梯度幅值与邻域关系的比较，若是最大的，那么此点为边缘点，若不是最大的，此点非边缘点。
具体判断条件（假设gx、gy为X方向与Y方向的梯度值，gTmp当前点的梯度幅值，g1,g2,g3,g4分别为确定周围邻域哪几个像素点的梯度值）
若abs(gy)>abs(gx) 表示Y方向梯度值大于X方向的梯度值，此时差值参数weight=abs(gx)/abs(gy)
再者若gx*gy>0，那么g1,g2,g3,g4与当前点的关系为：
再者若gx*gy<0，那么g1,g2,g3,g4与当前点的关系为：
若abs(gy)>abs(gx) 表示Y方向梯度值大于X方向的梯度值，此时差值参数weight=abs(gy)/abs(gx)
再者若gx*gy>0，那么g1,g2,g3,g4与当前点的关系为：
再者若gx*gy<0，那么g1,g2,g3,g4与当前点的关系为：
此时根据g1-g4差值处理，gTmp1=g1*weight+(1-weight)*g2;
gTmp2=g3*weight+(1-weight)*g4;
如果当前点的gtmp>gTmp1&>mp>gTmp2，认为此点为边缘点，否则不是边缘点。
5）边缘点连接，具体算法。
1. 高阈值确定；
梯度幅值直方图量化。
根据直方图个数占用像素的比例确定梯度幅值的高阈值。
2. 低阈值确定；
根据高阈值与高低阈值的比例确定低阈值。
3. 边缘点追踪；
6）实验效果，以lina图像为例，边缘检测效果如下：
