边缘检测
在上一篇文章中，我们介绍了图像的梯度结算来检测图像边缘，但是我们之前只是检验了大小，不知道具体方向。
使用Canny边缘检测是一种经典而有效的边缘检测算法，Canny边缘检测算法包括以下五大步骤：
1.使用高斯滤波器，以平滑图像，滤除噪声
首先，对待处理的图像进行高斯滤波以降低噪声的影响。高斯滤波器可以平滑图像并减少局部变化的影响。这里和我们之前在平滑处理中介绍的一样，这里使用的高斯滤波器是归一化后的，具体如下：
然后根据这个滤波器，我们就可以计算每一个像素经过高斯平滑后的值
2.计算图像中每个像素点的梯度强度和方向
在经过高斯滤波后的图像上，使用Sobel算子或其他梯度算子计算图像的梯度大小和方向，表示图像中每个像素的灰度变化率和方向。
- 在水平方向上计算梯度
- 在垂直方向上计算梯度
两个方向的Sobel算子如下：
两个方向梯度计算结果如下：
- 计算梯度幅值和方向：根据水平和垂直梯度计算每个像素的梯度幅值和方向。
这里和我们之前介绍的图像梯度计算中，多了一个方向，我们用来表示：
3.应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
对于每个像素，判断其是否为边缘像素。具体做法是检查梯度幅值沿着梯度方向上的两侧像素，如果当前像素的梯度幅值最大，则将其保留为边缘像素，否则将其抑制为非边缘像素。
4.应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘
根据设定的高阈值和低阈值，对经过非极大值抑制的图像进行分类。如果像素的梯度幅值高于高阈值，则将其确定为强边缘像素；如果像素的梯度幅值低于低阈值，则将其确定为弱边缘像素；如果像素的梯度幅值介于低阈值和高阈值之间，则根据其是否与强边缘像素相连来确定其是否为边缘像素。具体如下图所示
5.通过抑制孤立的弱边缘最终完成边缘检测
Canny边缘检测算法通过上述步骤，能够在图像中准确地检测到边缘，并且能够剔除噪声和细小的边缘。由于其高精度和可调节的参数，Canny边缘检测广泛应用于图像处理、计算机视觉和模式识别等领域。
下面我们调用Opencv中的cv2.Canny()函数实现，具体代码格式如下：
edges = cv2.Canny(img, threshold1, threshold2)
其中，threshold1和threshold2是用于双阈值检测的阈值参数。通常，我们设定threshold1的值应该是threshold2的一半或者是三分之一。
我们现在来讨论一下这两个参数的影响，当minval设置的越小，我们能检测到的边缘就越多，当maxval设置的越大，我们能检测到的边缘就越少。
因此，在实际应用中，我们要根据自己的需求进行调整。下面我们来看一个具体的例子，还是使用小狗洋气的照片，我们将两组阈值分别设为80,160和50,100，看一下他们的区别
import cv2
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
img=cv2.imread("yangqi.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,160)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2)) #将图片水平堆砌
cv_show(res,'res')
我们对比一下两张图：
- 左边阈值为：80,160
- 右边阈值为：50,100
可以看到右边这张图检测到的边缘更多。
