Canny邊緣檢測主要思路步驟如下：
1，使用高斯濾波器，以平滑圖像，濾除噪聲
2，計算圖像中每個像素點的梯度強度和方向
3，應用非極大值抑制，以消除邊緣檢測帶來的雜散響應
4，應用雙閾值檢測來確定真實的潛在的邊緣
5，通過抑制孤立的弱邊緣最終完成邊緣檢測
1，高斯濾波器：中間點比較大，越邊緣越小
2，梯度和方向：用到Sobel算子，含有x和y兩個方向
3，非極大值抑制
4，雙閾值檢測
A超過maxVal保留作為邊界處理，B和C都在minVal和maxVal之間，但是C連有邊界A，所以C保留，而B沒有連有邊界故舍棄，當然在minVal之下毫無疑問也都舍棄
cv2.Canny(img,120,250)
第一個參數：圖像對象名稱
第二個參數：minVal
第三個參數：maxVal
例如：minVal越小表示需要檢測出更多的邊界，相當于門檻越低，可能檢測出來的邊界并不那么是一個邊界
同樣，值越大要求越高，值越小要求越低
import cv2
import numpy as npdef show_photo(name,picture):cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()#設定不同的閾值進行比較
img = cv2.imread('E:\Jupyter_workspace\study\data/test1.png',cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img,80,150)
v2 = cv2.Canny(img,50,100)res = np.hstack((img,v1,v2))#將三個圖像橫向展示，當然vstack就是列向展示
show_photo('YT,(80,150),(50,100)',res)#設定不同的閾值進行比較
img = cv2.imread('E:\Jupyter_workspace\study\data/test1.png',cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img,120,250)
v2 = cv2.Canny(img,50,100)res = np.hstack((img,v1,v2))#將三個圖像橫向展示，當然vstack就是列向展示
show_photo('YT,(120,250),(50,100)',res)
設置不同的閾值，效果如下：
