摘要：本文全面且深入地探讨了 Canny 边缘检测。详细阐述了其包括去噪（重点分析高斯核选取及不同大小核的影响）、计算梯度、非极大值抑制、双阈值确定边缘等核心步骤，并结合实际案例与代码（如使用 cv2.Canny 对 pig.JPG 图片处理）展示其在不同阈值设置下的效果差异及原因，助力读者深入理解并掌握 Canny 边缘检测技术在图像处理领域的应用要点与原理精髓。
如果你觉得本文对你有帮助，请点赞收藏关注，我会持续创作更多跟OpenCV相关的文章
深入解析 Canny 边缘检测：原理、步骤与实践应用全攻略
Canny边缘检测步骤
第一步：去噪
一般是使用高斯滤波，高斯滤波的特点是靠近中心的权值比较大，远离的权值较小。平滑一些纹理较弱的非轮廓区域，我用画图板给大家画一个例子，使用高斯滤波核对下面这张图的红色像素点进行计算：
高斯卷积核的如下：
两个矩阵乘法/56 = 138.
核越大对于噪声的敏感度就越低，通常来说5x5的核足以满足大多数情况
因为边缘的方向是由切向量来定义的，所以梯度的方向与边缘的方向垂直。
高斯核的选取
小核的局限性：小高斯核（如 3x3）在抑制噪声方面的能力相对较弱。虽然它能够较好地保留图像的细节和边缘的精确位置，但在实际应用中，很多图像都含有一定程度的噪声。如果噪声没有得到有效抑制，就会在边缘检测过程中产生大量的伪边缘。这些伪边缘会干扰真正边缘信息的提取，导致边缘检测结果不准确。
用 5x5 的高斯核可以在一定程度上有效地平滑图像，减少噪声的影响。例如，在一幅含有椒盐噪声（图像上随机出现的黑白像素点）的图像中，5x5 的高斯核能够将这些噪声点周围的像素值进行加权平均，使得噪声引起的像素值突变得到缓解。这样，在后续的边缘检测步骤（如计算梯度幅值和方向）中，就不容易因为噪声的干扰而错误地检测出边缘。
高斯核越大，边缘信息对于噪声的敏感度就越低，核越大定位错误也会增加。
虽然较大的高斯核（如 5x5）可能会导致边缘定位出现一些误差，但在很多实际应用场景中，这种误差是可以接受的。因为边缘检测的主要目的通常是获取物体的大致轮廓，而不是精确到像素级别的边缘位置。例如，在一个工业零件检测的场景中，只需要知道零件的大致边缘位置来判断其形状是否符合标准，少量的边缘定位误差不会对整体的检测结果产生重大影响。
相比于小核可能产生的大量伪边缘，大核导致的边缘定位错误相对来说是次要的。如果使用小核，大量的伪边缘会使得后续的边缘连接、轮廓提取等操作变得非常复杂，甚至无法准确地获取物体的完整轮廓。而使用 5x5 的核可以在减少伪边缘的同时，虽然会有一定的定位错误，但仍然能够提供相对清晰和准确的边缘轮廓。
第二步：计算梯度
G = (Gx^2 +Gy ^2)**(1/2)
方向 = arctan2（Gy，Gx）
梯度的方向与边缘垂直，就近取值为（左右上下、左上 左下 右上右下）八种，因此在计算梯度的时候，我们会得到角度和梯度两个值，请看下图：
第三步：非极大值抑制
获得梯度的幅度和方向以后，遍历所有像素点，去掉所有非边缘的点，判断当前仙姑私单是否式周围中具有相同梯度方向的最大值，如果不是最大值就抑制该点。通过非极大值抑制实现边缘细化的目的
第四步：双阈值确定边缘
第四步又分为两小步；
第一步：设置两个阈值 max min 如果梯度>= max那么标记为强边缘，如果在 max>梯度>min，那么标记为弱边缘，如果梯度<min，那么直接删去
第二步：遍历弱边缘，若与强边缘有连接，那么确定为边缘，没连接删去
语法与案例
语法
edges = cv2.Canny（待处理8位输入图像image ，阈值1 threshold1，阈值2 threshold2，图像梯度幅度L2gradient 默认为False计算速度快，他的图像梯度是二者绝对值之和，而设置为True就是G = (Gx^2 +Gy ^2)**(1/2)，这样计算的更为准确）
我使用的是jupyter notebook，我项目的文件结构是这样的，我将对pig.JPG图片进行处理，如果你使用的是pycharm，将图片和代码放在同一个文件夹下就好了：
我把我的pig.JPG图片放在文章中，大家可以下载然后重命名：
案例是为了论证一个知识点，请先看代码和运行结果，我再讲这个知识点：
python
import numpy as np
import cv2
pig = cv2.imread("pig.JPG")
img1 = cv2.Canny(pig,128,200)
img2 = cv2.Canny(pig,32,128)
cv2.imshow("original",pig)
cv2.imshow("128-200",img1)
cv2.imshow("32-128",img2)
cv2.waitKey()
cv2.destroyAllWindows()
在上面这个运行结果可以看出，阈值低的部分可以选择出更多边缘细节。
原因如下：当低阈值较小时，更多的像素梯度幅值能够大于低阈值，这就使得更多的像素有机会被标记为弱边缘像素或者强边缘像素。
例如，在一个包含一些微弱边缘的图像中，较低的低阈值可以让这些微弱边缘对应的像素梯度幅值超过低阈值，从而被考虑进入边缘检测的后续流程。
对于后续的边缘连接等操作，这些被标记为弱边缘的像素有机会与强边缘像素连接起来，最终形成完整的边缘。因为在边缘连接阶段，一些弱边缘像素如果与强边缘像素相邻或者在一定的连接规则下，它们会被判定为边缘的一部分，从而增加了边缘的完整性，捕获到更多的边缘信息。
致谢
本文参考了一些博主的文章，博取了他们的长处，也结合了我的一些经验，对他们表达诚挚的感谢，使我对 Canny边缘检测 有更深入的了解，也推荐大家去阅读一下他们的文章。纸上学来终觉浅，明知此事要躬行：
opencv基础44- Canny边缘检测详解-cv.Canny()
图像处理算法 | 高斯滤波