Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术。
边缘检测的一般标准：
1) 低错误率：尽可能准确的捕获图像中尽可能多的边缘。
2) 高定位性：检测到的边缘应精确定位在真实边缘的中心。
3) 最小相应：图像中边缘只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘。（canny最明显的特点 检测出来的边缘不会很粗）
Canny边缘检测算法步骤：
1) 图像降噪：使用高斯滤波器，以平滑图像，滤除噪声。
2) 计算每个像素点的梯度强度和方向。
3) 非极大值抑制：实现最小相应的手段
4) 双阈值筛选：应用双阈值检测来确定真实的和潜在的边缘。https://www.bilibili.com/video/BV13i4y187Ay?from=search&seid=16765896431854409294 34min处
5) 抑制孤立的弱边缘。
步骤缘由：
首先，图像降噪。梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么我们就要先去除噪声，因为噪声就是灰度变化很大的地方，容易被识别为伪边缘。
第二步，计算图像梯度，得到可能边缘。计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘，也可能不是边缘。这一步就有了所有可能是边缘的集合。
第三步，非极大值抑制。通常灰度变化的地方都比较集中，将局部范围内的梯度方向上，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
第四步，双阈值筛选。通过非极大值抑制后，仍然有很多的可能边缘点，进一步的设置一个双阈值，即低阈值，高阈值。灰度变化大于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。
这样做的目的是只保留强边缘轮廓的话，有些边缘可能不闭合，需要从满足low和high之间的点进行补充，使得边缘尽可能的闭合。
参考博文：https://blog.csdn.net/saltriver/article/details/80545571
每个步骤具体见博文：https://www.cnblogs.com/techyan1990/p/7291771.html
步骤讲解的视频资料：https://www.bilibili.com/video/BV1U4411277i
code import cv2lenna = cv2.imread(r"C:UsersAdministratorDesktoppicture2.png", 0)lenna = cv2.GaussianBlur(lenna, (5, 5), 0) # 图像降噪canny = cv2.Canny(lenna, 50, 150) # 设置阈值cv2.imshow("canny", canny)cv2.waitKey()
canny = cv2.Canny(lenna, 50, 150)
# Canny边缘检测，50为低阈值low，150为高阈值high
# 小于前面这个数值的 大于后面数值的 都不要
# 前面一个数字越小 线条越多
# 后面一个数字越小 线条越多