Canny算子Canny邊緣檢測算子是John F. Canny于 1986 年開發出來的一個多級邊緣檢測算法。更為重要的是 Canny 創立了邊緣檢測計算理論（Computational theory of edge detection）解釋這項技術如何工作。

　　Canny 算法包含許多可以調整的參數，它們將影響到算法的計算的時間與實效。

　　高斯濾波器的大小：第一步所用的平滑濾波器將會直接影響 Canny 算法的結果。較小的濾波器產生的模糊效果也較少，這樣就可以檢測較小、變化明顯的細線。較大的濾波器產生的模糊效果也較多，將較大的一塊圖像區域涂成一個特定點的顏色值。這樣帶來的結果就是對于檢測較大、平滑的邊緣更加有用，例如彩虹的邊緣。

　　閾值：使用兩個閾值比使用一個閾值更加靈活，但是它還是有閾值存在的共性問題。設置的閾值過高，可能會漏掉重要信息；閾值過低，將會把枝節信息看得很重要。很難給出一個適用于所有圖像的通用閾值。目前還沒有一個經過驗證的實現方法。

　　Canny 算法適用于不同的場合。它的參數允許根據不同實現的特定要求進行調整以識別不同的邊緣特性。對于PC上的實時圖像處理來說可能慢得無法使用，尤其是在使用大的高斯濾波器的情況下。但是，我們討論計算能力的時候，也要考慮到隨著處理器速度不斷提升，有望在未來幾年使得這不再成為一個問題。

　　canny算子的語法原理分析

　　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；二必須盡量精確確定邊緣的位置。

　　（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，也屬于先平滑后求導數的方法。

　　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：用雙閾值算法檢測和連接邊緣。

　　step1：高斯平滑函數

　　（可以理解下維基百科上關于卷積函數的定義，如下圖移動的紅色窗口代表我們的高斯和函數，藍色為圖像灰度函數）

　　通過高斯函數產生k*k的模板如3*3

　　用這個模板對每個像素進行加權平均

　　Step2：一階微分卷積模板

　　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確定邊緣，因此為確定邊緣，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

　　四個扇區的標號為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與沿著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：用雙閾值算法檢測和連接邊緣：

　　對非極大值抑制圖像作用兩個閾值th1和th2，兩者關系th1=0.4th2 。我們把梯度值小于th1的像素的灰度值設為0，得到圖像1。然后把梯度值小于th2的像素的灰度值設為0，得到圖像2。由于圖像2的閾值較高，去除大部分噪音，但同時也損失了有用的邊緣信息。而圖像1的閾值較低，保留了較多的信息，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。

　　鏈接邊緣的具體步驟如下：

　　對圖像2進行掃描，當遇到一個非零灰度的像素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，則將其包括到圖像2中，作為r（x，y）點。從r（x，y）開始，重復第一步，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）的輪廓線的連結之后，將這條輪廓線標記為已經訪問。回到第一步，尋找下一條輪廓線。重復第一步、第二步、第三步，直到圖像2中找不到新輪廓線為止。

　　3. canny算法程序實現

　　Canny算法程序中將上述的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 求濾波后圖像的梯度；

　　l 進行非最大抑制；

　　l 統計圖像的直方圖，對閾值進行判定；

　　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索，搜索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；