邊緣檢測一直在用，opencv對這一些個邊緣檢測算子也都做了實作和封裝，而且相信經曆這麼多年，算法都已經優化到了接近極限。以前都是拿來就用，真正去窺探實作細節還是第一次。之是以選擇看canny算子，還是因為個人認為canny算子擁有一些其他算子沒有的優勢，在其他算子的基礎上剔去了邊緣上的多餘點，并且也檢測和實作了邊緣的封閉，是以最友善并适合運用于實際工程。
canny算子的工作流程其實就四步：
高斯濾波-梯度計算-非極大值抑制-門檻值遲滞（雙門檻值檢測）
①高斯濾波
印象裡高斯濾波是會平滑圖像細節弱化邊緣的，按理來說濾波處理和邊緣檢測應該是沖突的操作，為什麼canny算子在提取邊緣之前會進行一次高斯濾波呢？個人認為算法是希望在提取邊緣和去噪之間進行折衷，在不丢失圖像的主要邊緣資訊的同時濾除部分高頻噪聲。（不過粗略的看了一下opencv裡canny算子的實作，貌似是沒有高斯濾波這一步的。也有資料說sobel算子本身有高斯濾波的特性了,opencv裡canny算子的梯度計算是用的是sobel算子核心做圖像卷積）網上找的一些大牛們自己實作的canny算子一般都會有高斯濾波這一步。
高斯濾波的實作細節想必都很熟悉了，就不再贅述。 高斯濾波模闆例：
②梯度計算
canny一般用的其他算子的核來做梯度幅值和方向的計算， 比如Roberts:
或者Sobel:
梯度幅值的計算公式：
G(x,y) = sqrt(Sx^2+Sy^2)
梯度方向計算公式：
R(x,y) = acrtan(Sy/Sx)
梯度的幅值和方向是極大值抑制會用到的資料。
③非極大值抑制
做完前兩步後其實我們其實已經提取到了圖像的大緻輪廓了，但是将幅值反向投影回灰階空間後可以看到，大多數邊緣呈兩邊暗中間亮的屋脊狀，為了取得單個像素寬度的邊緣，canny算子對圖像的幅值矩陣進行了非極大值抑制。
非極大值一直的工作原理是什麼？引用likezhaobin大神的一段解釋：
要進行非極大值抑制，就首先要确定像素點C的灰階值在其8值鄰域内是否為最大。下圖中藍色的線條方向為C點的梯度方向，這樣就可以确定其局部的最大值肯定分布在這條線上，也即出了C點外，梯度方向的交點dTmp1和dTmp2這兩個點的值也可能會是局部最大值。是以，判斷C點灰階與這兩個點灰階大小即可判斷C點是否為其鄰域内的局部最大灰階點。如果經過判斷，C點灰階值小于這兩個點中的任一個，那就說明C點不是局部極大值，那麼則可以排除C點為邊緣。這就是非極大值抑制的工作原理。
但是像素點的分布是離散而非線性的，dTmp1和dTmp2兩個交點位置大多數情況下并不實際存在像素點，是以canny算子在做非極大值抑制時比對的像素點是距離dTmp1和dTmp2最近的兩個像素點，也就是下文所說的g1,g2和g3,g4。
非極大值抑制步驟：
1.将梯度方向R（x,y）以就近原則歸類到四個角度類中（0-45，45-90，90-135，135-180）。
2.擷取該點所處的8值領域内其他8個點中距離梯度向量最近的兩個點對(g1,g2)、(g3,g4)。
還是以95-135的梯度向量（上圖）為例，如上圖，藍線為c點的梯度方向，該方向引出的正反兩條射線分别穿過8值領域的兩條邊（紅線），則在這兩條邊上距離射線（藍線）最近的兩個點即為g1,g2及g3,g4。
3.将c點處的梯度幅值分别與g1,g2,g3,g4點做對比，如果小于其中的任何一個，則置c點處幅值為0，否則認為它是潛在邊緣，保留其幅值。
處理完後即可得到一張包含所有潛在邊緣的梯度幅值-灰階映射圖。
④門檻值遲滞
門檻值遲滞是翻譯過來的叫法（threshold Hysteresis），通俗點可以叫雙門檻值法檢測，目的是去除第三步後結果中的一些噪聲邊緣及一些假邊緣，算法和很簡單：
0.取一高一低兩個門檻值。
1.假如該像素點處灰階值大于高門檻值，保留作為邊緣。
2.假如該像素點處灰階值小于低門檻值，舍棄。
3.假如該像素點處灰階值大于低門檻值小于高門檻值，當其與一個大于高門檻值的像素點相鄰時，保留作為邊緣，否則舍棄。
OK，以上就是canny算子做邊緣檢測的流程啦！