OpenCV对图像进行高斯模糊并进行Canny边缘检测

参考博文：

https://blog.csdn.net/godadream/article/details/81568844

高斯模糊

数字图像处理中，高斯滤波主要可以使用两种方法实现。一种是离散化窗口滑窗卷积，另一种方法是通过傅里叶变化。最常见的就是滑窗实现，只有当离散化的窗口非常大，用滑窗计算量非常搭的情况下，可能会考虑基于傅里叶变化的实现方法。高斯模板是通过高斯函数计算出来的。

高斯滤波模板中最重要的参数就是高斯分布的标准差σ。它代表着数据的离散程度，如果σ较小，那么生成的模板中心系数越大，而周围的系数越小，这样对图像的平滑效果就不是很明显；相反，σ较大时，则生成的模板的各个系数相差就不是很大，比较类似于均值模板，对图像的平滑效果就比较明显。通过下面的一维高斯分布图也可验证上述观点。

参数详解如下：
src，输入图像，即源图像，填Mat类的对象即可。它可以是单独的任意通道数的图片，但需要注意，图片深度应该为CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。

dst，即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。

ksize，高斯内核的大小。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数（并不能理解）。或者，它们可以是零的，它们都是由sigma计算而来。

sigmaX，表示高斯核函数在X方向的的标准偏差。

sigmaY，表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。
例如：

cv::GaussianBlur(img, out, cv::Size(5, 5), 3, 3);

Canny边缘检测

T1， T2为阈值，凡是高于T2的都保留，凡是小于T1都丢弃，从高于T2的像素出发，凡是大于T1而且相互连接的，都保留。最终得到一个输出二值图像。
推荐的高低阈值比值为 T2: T1 = 3:1/2:1其中T2为高阈值，T1为低阈值。
API:

默认情况一般选择是L1，参数设置为false。
一张彩色图像输入进来，Canny检测流程：

#include<opencv2/opencv.hpp>
#include<iostream>
#include <opencv2\imgproc\types_c.h>
using namespace cv;
using namespace std;
int main()
{
	Mat photo = imread("1.jpg");
	Mat grayImage;
	cvtColor(photo, grayImage, CV_BGR2GRAY);  //转化为灰度图
	GaussianBlur(grayImage, grayImage, cv::Size(7, 7), 2, 2);  //高斯模糊
	Mat edge_image;
	//使用canny检测出边缘
	Canny(grayImage, edge_image, 20, 100, 3,false);
	namedWindow("edge_image", WINDOW_GUI_NORMAL);
	imshow("edge_image", edge_image);
	waitKey(0);
	return 0;
}

结果图：