一、概念
Canny边缘检测算法是John F.Canny与1986年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的最优算法。最优边缘检测的三个主要评价标准是：
低错频率：表示出尽可能多的实际边缘，同时尽可能的减小噪声产生的误报。
高定位性：标识出的边缘要与图像中的实际边缘尽可能接近。
最小响应：图像中的边缘只能标识一次。
Canny边缘检测的一般步骤：
1）去噪。边缘检测容易受到噪声干扰，在进行边缘检测前通常需要先进行去噪，一般用高斯滤波去除噪声。
2）计算梯度：对平滑后的图像采样sobel算子计算梯度和方向.
为了方便一般可以改用绝对值。 ——计算出梯度
——计算出角度，从而得到方向
梯度的方向被归为四类：垂直、水平和两个对角线
计算出来的梯度和方向大概如下图：
相当于将一个圆形平分为八块，即共有八个方向。
3）非极大值抑制（NMS）
— 在获取了梯度和方向后，遍历图像，去掉所有不是边界的点（归零）。
— 实现方法：逐个遍历像素点，判断当前像素点是否是周围像素点中具有相同方向梯度的最大值。（边缘上的点梯度值最大）
— 下图中，点A,B,C具有相同的方向，梯度方向垂直于边缘。
— 判断点A是否为A,B,C中的局部最大值，如果是，保留该点；否则，它被抑制（归零）
更形象的例子：
4) 滞后阈值
如果梯度值位于最大值和最小值之间，则如果与边界外点相连，则该点保留；如果与边界不相连，则抛弃。
二、在OpenCV中的使用
使用API---Canny（img， minVal，maxVal）
需要注意：阈值越小，细节越丰富。
示例代码如下：
import cv2
import numpy as np
img = cv2.imread("beautiful women.png")
# 阈值较大，则细节不明显
lena1 = cv2.Canny(img, 100, 200)
# 阈值较小，细节更明显
lena2 = cv2.Canny(img, 64, 128)
cv2.imshow("lena", np.hstack((lena1, lena2)))
cv2.waitKey(0)
cv2.destroyAllWindows()输出结果如下：
可以看出，右边的细节更明显，因为设置的阈值范围更小。
