Canny边缘检测

---

检测指标

低错误率: 标识出尽可能多的实际边缘，同时尽可能的减少噪声产生的误报。
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。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、步骤

消除噪声。 使用高斯平滑滤波器卷积降噪。 下面显示了一个 的高斯内核示例:

计算梯度幅值和方向。 此处，按照Sobel滤波器的步骤:
运用一对卷积阵列计算x及y方向的梯度。

梯度方向近似到四个可能角度之一(一般 0, 45, 90, 135)
通过x及y方向的梯度值计算，可以解出梯度的角度。

对梯度结果进行非极大值抑制。 这一步排除非边缘像素， 仅仅保留了一些细线条(候选边缘)。
非极大值抑制，简称为NMS算法，英文为Non-Maximum Suppression。其思想是搜素局部最大值，抑制极大值。NMS算法在不同应用中的具体实现不太一样，但思想是一样的。非极大值抑制，在计算机视觉任务中得到了广泛的应用，例如边缘检测、人脸检测、目标检测（DPM，YOLO，SSD，Faster R-CNN）等。
IoU：intersection-over-union，即两个边界框的交集部分除以它们的并集。

非极大值抑制的流程如下：

根据置信度得分进行排序

选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除

计算所有边界框的面积

计算置信度最高的边界框与其它候选框的IoU。

删除IoU大于阈值的边界框

重复上述过程，直至边界框列表为空。

滞后阈值: 最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈值(高阈值和低阈值):

如果某一像素位置的幅值超过 高 阈值, 该像素被保留为边缘像素。
如果某一像素位置的幅值小于 低 阈值, 该像素被排除。
如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。

void cv::Canny(InputArrayimage,（输入图像：8-bit）OutputArrayedges,（输出边缘图像：单通道，8-bit，size与输入图像一致）doublethreshold1,（阈值1）doublethreshold2,（阈值2）intapertureSize=3,（Sober算子大小）boolL2gradient=false（是否采用更精确的方式计算图像梯度）