1、canny边缘检测应用场景
目标检测：
Canny边缘检测可以用于检测图像中的目标边缘，从而帮助识别和定位物体。在目标检测的流程中，边缘通常是检测的第一步。
图像分割：
Canny边缘检测可用于图像分割，即将图像划分为具有相似属性的区域。图像分割是许多计算机视觉任务的基础，如图像分析、物体识别等。
图像增强：
Canny边缘检测可以突出图像中的边缘特征，从而增强图像的结构信息。这对于图像处理任务，如图像重建和特征提取，非常有帮助。
边缘跟踪：
Canny边缘检测是一种强边缘跟踪器，可以用于跟踪图像中的曲线和边缘。
机器视觉和自动驾驶： 在机器视觉和自动驾驶系统中，Canny边缘检测可用于检测道路边缘、车辆和行人等物体。
医学图像处理：
在医学图像中，Canny边缘检测用于检测器官的边缘，从而协助医生进行诊断和手术规划。
光学字符识别（OCR）：
在文字识别领域，Canny边缘检测可用于提取文本的边缘，以帮助进行光学字符识别。
图像分析：
Canny边缘检测在图像分析中是一种常见的工具，用于提取图像的重要特征。
2、canny边缘检测步骤
（1）噪声抑制：
在进行边缘检测之前，通常会对图像进行平滑以抑制噪声。这通常使用高斯滤波器来实现，可以通过cv::GaussianBlur函数完成。
（2）计算图像梯度：
使用Sobel算子计算图像在水平和垂直方向上的梯度。这个过程可以通过cv::Sobel函数实现。
（3）计算梯度的幅值和方向：
根据梯度的水平和垂直分量，计算梯度的幅值和方向。这可以通过cv::magnitude和cv::phase实现。
（4）非极大值抑制：
对梯度幅值图进行非极大值抑制，保留梯度方向上的局部最大值。这一步骤有助于细化边缘，使其更接近实际的边界。
（5）双阈值边缘跟踪：
根据设定的两个阈值（高阈值和低阈值），对非极大值抑制后的图像进行阈值处理，得到二值图像。高阈值用于确定强边缘，低阈值用于确定可能的边缘。通常，高阈值选取的较高，低阈值选取的较低。
（6）边缘连接：
对低阈值下的边缘像素进行连接，使其连接到高阈值下的边缘。这一步骤可以使用递归或迭代方法实现。
对于高斯滤波和梯度计算在之前的章节已经阐述过，请点击高斯滤波和梯度计算进行回顾。
这里解释下什么是梯度幅值和方向：
边缘检测算子返回水平方向的Gx和垂直方向的Gy。梯度的幅度𝐺和方向𝛩（用角度值表示）为：
式中，atan2(•)表示具有两个参数的 arctan 函数。
梯度幅值是梯度矢量的长度，表示图像在某一点的强度变化的大小，梯度的方向总是与边缘垂直的，通常就近取值为水平（左、右）、垂直（上、下）、对角线（右上、左上、左下、右下）等 8 个不同的方向。
因此，在计算梯度时，我们会得到梯度的幅度和角度（代表梯度的方向）两个值。
下图展示了梯度的表示法。其中，每一个梯度包含幅度和角度两个不同的值。为了方便观察，这里使用了可视化表示方法。例如，左上角顶点的值“2↑”实际上表示的是一个二元数对“(2, 90)”，表示梯度的幅度为 2，角度为 90°。
非极大值像素梯度抑制：
在具体实现时，逐一遍历像素点，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，并根据判断结果决定是否抑制该点。如果当前像素点是周围像素点中最大值，我们保留该像素值，否则将其抑制为零。
例如A、B、C 三点具有相同的方向（梯度方向垂直于边缘）如下图。判断这三个点是否为各自的局部最大值：如果是，则保留该点；否则，抑制该点（归零）。
从图中可以看到A点在图像边缘，所以A 点具有最大的局部值，所以保留 A 点（称为边缘），其余两点（B和 C）被抑制（归零）。
再比如下图中，黑色背景的点都是向上方向梯度（边缘处于水平）的局部最大值。因此，这些点会被保留；其余点被抑制（处理为 0）。这意味着，这些黑色背景的点最终会被处理为边缘点，而其他点都被处理为非边缘点。
经过上述处理后，对于同一个方向的若干个边缘点，基本上仅保留了一个，使得检测到的边缘更狭窄，更接近实际的边界。
当完成非极大值抑制后，只保留了效果明显的边缘，然而，对于这些边缘，有些确实是图像的边缘，而有些却是由噪声产生的。之前用高斯滤波只是降噪，并不能消除噪声。而这些噪声造成的边缘被称为虚边缘，我们需要通过双值域将其消除。
双阈值设置：
首先设置两个阈值：高阈值（highThreshold）和低阈值（lowThreshold），高阈值用于确定强边缘，低阈值用于确定可能的边缘。对于所有的像素点，逐一遍历，如果当前边缘像素的梯度值 大于高阈值定为强边缘， 低于高阈值但是高于低阈值被定为虚边缘， 低于低阈值的像素点（抑制）置零。
所有的强边缘保留，而对于虚边缘，我们要做个判断。如果这些虚边缘是连接着强边缘的，那么保留，如果不是，那么抑制（置零）。
下面以一个示例图来说明。
图中Max和Min表示高低阈值，A在Max上面为强边缘直接保留，B在Max和Min之间为虚边缘，但B连着B，故也认定为边缘，保留。C也处于Max和Min之间，但C和A没有连接，故认定C不是边缘，被抑制。D之间小于低阈值，之间被抑制为0。
最后进行边缘连接，其过程如下：
（1）遍历经过非极大值抑制后的梯度幅值图像（图像经过非极大值抑制后只有边缘上的像素点的梯度幅值被保留，其他像素点的梯度幅值为零。）
（2）将大于高阈值的像素点标记为强边缘，高低阈值之间的像素值标记为弱边缘。
（3）从弱边缘像素出发，沿着其梯度方向前进，如果相邻像素中有强边缘像素（梯度幅值大于高阈值），则将其标记为强边缘，并继续追踪。追踪过程中，可能的边缘像素逐渐被标记为强边缘，形成一个连接的边缘。
（4）重复以上步骤，直到没有新的像素被添加到连接的边缘。最终，连接的边缘像素集合就是Canny边缘检测算法的输出。
3、opencv之canny接口调用
void cv::Canny(
InputArray image, // 输入图像（单通道8位灰度图像）
OutputArray edges, // 输出边缘图像
double threshold1, // 低阈值
double threshold2, // 高阈值
int apertureSize = 3, // Sobel算子核的大小，默认为3
bool L2gradient = false // 是否使用更精确的L2范数梯度计算，默认为false
);
双阈值怎么设定？
通常建议高阈值与低阈值的比例在2:1到3:1之间。
例如，如果设置高阈值为100，则低阈值可以设置为50或33。
根据图像特性：
可以根据图像的特性来调整阈值。如果图像中的边缘比较弱，可以适当降低阈值；如果图像中的边缘比较强，可以适当提高阈值。
参考代码：
int main()
{
// 读取灰度图像
cv::Mat image = cv::imread("1.jpg", cv::IMREAD_GRAYSCALE);
// 检查图像是否成功读取
if (image.empty()) {
std::cerr << "Error: Could not read the image." << std::endl;
return -1;
}
// 应用Canny边缘检测
cv::Mat edges;
double lowThreshold = 50; // 低阈值
double highThreshold = 150; // 高阈值
//高斯滤波去噪后检测图像边缘
GaussianBlur(image, image, Size(3, 3), 0);
cv::Canny(image, edges, lowThreshold, highThreshold);
// 显示原始图像和Canny边缘检测的输出
cv::imshow("Original Image", image);
cv::imshow("Canny Edges", edges);
// 等待用户按键
cv::waitKey(0);
return 0;
}
效果图如下：
左边是之间通过canny检测的边缘，右边是先通过高斯滤波去噪后再使用canny检测的边缘，可以明显的发现先去噪再检测边缘效果会更好。
参考文章：opencv基础44- Canny边缘检测详解-cv.Canny()
