在计算机视觉领域，边缘检测是一个基础且核心的任务------它就像给图像"描边"，提取出物体的轮廓信息，为后续的目标识别、图像分割、特征匹配等高级任务打下基础。
什么是Canny边缘检测？
Canny边缘检测是由计算机科学家John F. Canny在1986年提出的一种多阶段边缘检测算法。它的核心优势在于：检测准确率高、定位精准、抗噪声能力强，并且能有效抑制虚假边缘。
简单来说，普通边缘检测可能会把图像中的"噪声"误判为边缘，或者检测出的边缘不连续、位置偏移；而Canny通过一套严谨的流程，能更"聪明"地找到真正的图像边缘。
Canny的4个关键步骤
1、灰度化
边缘的本质是"亮度的突变"，和颜色无关。
2. 高斯降噪
图像噪声就像照片上的"雪花点"，是像素值的随机突变。这些突变很容易被边缘检测算法误判为"边缘"，导致检测结果杂乱无章。
Canny采用"高斯模糊"来降噪，核心逻辑是：用一个"高斯核"（类似一个滑动窗口）遍历图像，对窗口内的像素进行"加权平均"------中心像素权重高，边缘像素权重低。这样一来，突变的噪声像素会被周围正常像素"中和"，图像变得平滑，噪声被大幅抑制。
这里要注意：高斯核的尺寸（常用(5,5)）和标准差会影响降噪效果------核越大、标准差越大，降噪越强，但图像细节也会损失越多，需要平衡选择。
3、梯度计算
定位边缘的位置和方向
-
梯度大小：表示亮度变化的"剧烈程度"，梯度越大，越可能是边缘；
-
梯度方向：表示亮度变化的"方向"。
4、非极大值抑制
计算出梯度后，我们得到了许多"候选边缘点"，但它们通常太"粗"了。非极大值抑制的目标是只保留局部梯度最大的点，从而得到细化的边缘。
5、双阈值筛选
使用两个阈值（高阈值和低阈值）来区分强边缘、弱边缘和非边缘。
Canny设定了两个阈值：高阈值（maxVal）和低阈值（minVal），根据梯度大小对像素进行分类：
-
梯度值 > 高阈值：强边缘，直接保留；
-
梯度值 < 低阈值：弱边缘，直接剔除；
-
低阈值 ≤ 梯度值 ≤ 高阈值：潜在边缘，只有当它和"强边缘"直接相连时，才被保留（否则剔除）。
这个规则能有效剔除孤立的虚假边缘（残留噪声），同时保留连续的真实边缘。
Canny边缘检测代码
python
import cv2
def canny_edge_detection(img):
"""Canny边缘检测：灰度化→降噪→边缘提取"""
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度化
blur = cv2.GaussianBlur(gray, (5, 5), 0) # 高斯降噪
# Canny边缘检测（低阈值50，高阈值150）（内置了梯度计算、NMS、双阈值筛选）
canny = cv2.Canny(blur, 50, 150)
return canny
if __name__ == "__main__":
img = cv2.imread("1.png")
img = cv2.resize(img, (640, 480)) # 缩放图片
canny = canny_edge_detection(img)
cv2.imshow("canny", canny)
cv2.waitKey(0)
cv2.destroyAllWindows()原图：
处理后：
