Canny边缘检测算法原理

Canny边缘检测算法：这是一种经典的图像处理算法，用于检测图像中的边缘；主要原理是找到图像中灰度变化显著的区域，这些区域通常表示物体的边缘。

Canny边缘检测算法的步骤包括：

1. 高斯滤波：对输入的图像进行平滑处理（平滑处理用到的是图像卷积和高斯核，高斯核是二维矩阵，卷积过程是将高斯核放在图像的每个像素点上，用高斯核中的值与对应像素点的值相乘，然后将所有这些乘积相加得到了新的像素值，新的像素值相对于原始的像素值变化会更小。），以减少噪声的影响。

2. 计算梯度和方向：使用算子计算图像中的每个像素点的梯度。梯度的方向指示着最大灰度变化的方向，梯度的幅度表示变化的强度。得到的梯度图像包含了图像中灰度变化最剧烈的地方。（梯度是一个矢量，是有方向和幅度，梯度一般用来表示图像强度变化的快慢和方向，因为梯度是由图像的导数计算得来，而导数表示函数在某一点的变化率。）

3. 非极大值抑制：对梯度图进行处理，保留局部梯度最大的像素，同时抑制非极大值。实现的效果是细化边缘，将边缘变得更窄，就可以得到更精确的边缘位置。（非极大值抑制的过程是：对梯度图上的每个像素，根据其梯度方向，确定在该方向上的两个相邻像素，然后检查当前像素的梯度幅度与其相邻像素的梯度比较，如果当前像素的梯度幅度大于两个相邻像素的梯度幅度，说明当前像素是局部梯度的最大值，需要保留该像素；反之，则将其值设为零，也就是抑制非极大值。）

4. 滞后阈值：设定两个阈值，高阈值和低阈值。像素点的梯度值大于高阈值的被标记为强边缘，小于低阈值的被标记为非边缘，介于两者之间的被标记为弱边缘。（高阈值和低阈值一般是选择一个相对较高的值和相对较低的值，比较常见的比例是2：1或者3：1；也是可以根据具体实际情况进行调整。）

5. 边缘跟踪和连接：通过连接强边缘像素，形成初始的边缘，然后，跟踪与强边缘像素直接相邻的弱边缘像素，将其标记为边缘。这样就可以延申强边缘，形成连续的边缘链。

这仅仅是我个人在学习过程中的一点理解，如果有任何错误，欢迎纠正。