canny

边缘检测原理和步骤：

在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。

        1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（卷积）。

        2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。

        3）检测：经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。

opencv中的canny：

1. 用高斯滤波器平滑图像．

2. 用一阶偏导有限差分计算梯度幅值和方向.

3. 对梯度幅值进行非极大值抑制 ．

4. 用双阈值算法检测和连接边缘

参考链接： http://blog.csdn.net/liuzhuomei0911/article/details/51345591

个人小结：

1、将图像与高斯函数做卷积

通过步骤5可以尝试多个sigma。

2、对图像中每个像素求计算局部边缘的法向量（或者求梯度方向）

从上面的算子可以计算出某个像素点的x方向的梯度值和y方向的梯度值（近似差分）。如下图：

计算可得每个像素点的梯度值，也是一个矩阵的形式。

将梯度方向归一化到下图的四个角度。

3、非极大值抑制（抑制的是非极大梯度值）

在上图中蓝色的线代表c点的梯度方向，因为极值肯定存在在梯度方向上，所以直接结算dTmp1和dTmp2既可以得出c是否为极大值点。dTmp1和dTmp2的梯度值可以通过线性插值计算。

完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为0，可能为边缘的局部灰度极大值点可设置其灰度为128。

到此为止已经可以看到边缘的样子了（差不多等同于sobel边缘检测），以上计算的非零点都是候选点，但是检测结果还是包含了很多由噪声及其他原因造成的假边缘。因此还需要进一步的处理。

4、对边缘图像做滞后阈值化处理

双阈值做法是将候选像素点拼接成轮廓，轮廓的形成时对这些像素运用滞后性阈值，设置高低阈值（通过信噪比确定）

作用：高阈值排除噪声点，得到比较信任度比较高的轮廓，此时会孤立噪声点，低阈值链接细轮廓，通过多次迭代，得到稳定的轮廓。

6、对递增的标准差，重复1-5

7、综合多个尺度的最终信息