1. Canny邊緣檢測基本原理
(1)圖象邊緣檢測必須滿足兩個條件：一能有效地抑制噪聲；二必須盡量精确确定邊緣的位置。
(2)根據對信噪比與定位乘積進行測度，得到最優化逼近算子。這就是Canny邊緣檢測算子。
(3)類似與Marr（LoG）邊緣檢測方法，也屬于先平滑後求導數的方法。
2. Canny邊緣檢測算法：
step1:用高斯濾波器平滑圖象；
step2:用一階偏導的有限差分來計算梯度的幅值和方向；
step3:對梯度幅值進行非極大值抑制；
step4:用雙門檻值算法檢測和連接配接邊緣。
step1:高斯平滑函數
（可以了解下維基百科上關于卷積函數的定義，如下圖移動的紅色視窗代表我們的高斯和函數，藍色為圖像灰階函數）
通過高斯函數産生k*k的模闆如3*3
用這個模闆對每個像素進行權重平均
Step2：一階微分卷積模闆
step3:對梯度幅值進行非極大值抑制
僅僅得到全局的梯度并不足以确定邊緣，是以為确定邊緣，必須保留局部梯度最大的點，而抑制非極大值。（non-maxima suppression,NMS）
解決方法：利用梯度的方向。
圖1非極大值抑制
四個扇區的标号為0到3，對應3*3鄰域的四種可能組合。在每一點上，鄰域的中心象素M與沿着梯度線的兩個象素相比。如果M的梯度值不比沿梯度線的兩個相鄰象素梯度值大，則令M=0。
即：
Step4:用雙門檻值算法檢測和連接配接邊緣:
對非極大值抑制圖像作用兩個門檻值th1和th2，兩者關系th1=0.4th2 。我們把梯度值小于th1的像素的灰階值設為0，得到圖像1。然後把梯度值小于th2的像素的灰階值設為0，得到圖像2。由于圖像2的門檻值較高，去除大部分噪音，但同時也損失了有用的邊緣資訊。而圖像1的門檻值較低，保留了較多的資訊，我們可以以圖像2為基礎，以圖像1為補充來連結圖像的邊緣。
連結邊緣的具體步驟如下：
對圖像2進行掃描，當遇到一個非零灰階的像素p(x,y)時，跟蹤以p(x,y)為開始點的輪廓線，直到輪廓線的終點q(x,y)。
考察圖像1中與圖像2中q(x,y)點位置對應的點s(x,y)的8鄰近區域。如果在s(x,y)點的8鄰近區域中有非零像素s(x,y)存在，則将其包括到圖像2中，作為r(x,y)點。從r(x,y)開始，重複第一步，直到我們在圖像1和圖像2中都無法繼續為止。
當完成對包含p(x,y)的輪廓線的連結之後，将這條輪廓線标記為已經通路。回到第一步，尋找下一條輪廓線。重複第一步、第二步、第三步，直到圖像2中找不到新輪廓線為止。
3. canny算法程式實作
Canny算法程式中将上述的4個步驟再加以細分，分成以下7步：
l 生成高斯濾波系數；
l 用生成的高斯濾波系數對原圖像進行平滑；
l 求濾波後圖像的梯度；
l 進行非最大抑制；
l 統計圖像的直方圖，對門檻值進行判定；
l 利用函數尋找邊界起點；
l 根據第6步執行的結果，從一個像素點開始搜尋，搜尋以該像素點為邊界起點的一條邊界的一條邊界的所有邊界點；
參考：
http://blog.csdn.net/likezhaobin/article/details/6835049
http://blog.csdn.net/likezhaobin/article/details/6892176
http://blog.csdn.net/likezhaobin/article/details/6892629
http://www.cnblogs.com/cfantaisie/archive/2011/06/05/2073168.html