⚠️由於自己的拖延症，3.4.3翻到一半，OpenCV發佈了4.0.0了正式版，所以接下來是按照4.0.0翻譯的。
⚠️除了版本之外，其他還是照舊，Canny Edge Detection，附原文。
目標
在這一節，我們將學到：
- 坎尼邊緣檢測的概念
- OpenCV對此的函數：cv.Canny()
理論
坎尼邊緣檢測是一個很受歡迎的邊緣檢測算法。它是被 John F. Canny 發明的：
- 它是一個多階段的算法，我們將會把每個階段都過一遍。
-
降低噪聲
由於邊緣檢測容易受到圖像噪聲的影響，第一步是用5x5高斯濾波器去除圖像中的噪聲。我們在前幾章已經看到了這一點。
-
找到圖像的強烈梯度
（通過上一步高斯）平滑後的圖像，在通過索貝爾內核在水平和垂直方向濾波，來獲取兩個方向的一階導數（Gx）和（Gy）。從這兩個圖像我們可以找到每個像素邊緣的梯度和方向，如下：
梯度方向總是垂直於邊緣。圓角爲代表垂直、水平和兩個對角線方向的四個角之一。
-
非極大值抑制
在獲取到了梯度的幅值和方向之後，對圖像進行全掃描，去除可能不構成邊緣的不需要的像素。要達到這個目的，遍歷每個像素，如果像素是梯度方向上其鄰域內的局部最大值，則該像素點通過檢測。查看下面的圖示：
![nms.jpg]()
點A處於邊緣之上（在垂直方向上的邊緣）。梯度方向垂直於邊緣，點B和點C在梯度方向上，因此點A得通過點B和點C在水平方向上來檢測。如果如此（A點確實是局部最大值得話），那麼就進入下個環節，否則就抑制A點（把A點設置爲0（這樣A點就和經過前幾步處理的背景色一樣了））。
簡單來說，你這一步得到的結果就是一張具有“細邊”的二元圖像。
-
滯後閾值法
這一個步驟，決定了（之前計算出來通過檢測的點組成的）所有的邊緣，哪些是真正的邊緣，哪些不是。要達到這個目的，我們需要最大、最小兩個閾值。任何強度梯度大於最大閾值的邊被認爲是邊緣，小於最小閾值的邊一定是非邊邊緣，所以丟棄掉。位於這兩個閾值之間的邊界，根據它們的連通性分爲邊緣和非邊緣。如果它們被連接到“確定邊緣”像素，它們被認爲是邊緣的一部分。否則，它們也會被丟棄。見下圖：
![hysteresis.jpg]()
邊緣A在最大閾值之上，因爲我們認爲它是確定邊緣。儘管邊緣C在最大閾值之下（同時在最小閾值之上），但它與A邊緣是連通的，所以C也被認爲是有效的邊緣我們也得到了完整的弧線。而B邊雖然在最小閾值之上，處於和C邊相同的區域，但卻並未與（像A邊這樣的）確定邊緣連通，所以它就被丟棄了。因此，我們必須相應地選擇最大閾值和最小閾值來得到正確的結果，這是非常重要的。
加入邊緣是長線段的話，這一個步驟還會消除一些小像素的噪聲。
因此我們最終得到的是圖像中的強邊界。
OpenCV裏的坎尼邊緣檢測
OpenCV 把上面的所有步驟放進了同一個方法中，cv.Canny()。我們來看看怎麼使用它。第一個參數是輸入圖像。第二和第三個參數分別是我們的最大和最小閾值。第三個參數是孔徑大小，它是用於尋找圖像梯度的索貝爾內核的大小，默認情況下是3。最後 L2gradient 參數指定了求梯度大小的方程。如果爲True，則使用之前講的公式，算出來更準確。否則使用這個函數：邊梯度(G) = |Gx| + |Gy|。默認情況下，這個值是False。
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()
看看以下結果：
額外資源
- 維基百科上的坎尼邊緣檢測
- 坎尼邊緣檢測教程 比爾.格林2002年寫的
Exercises
- 寫一個小應用來做坎尼邊緣檢測，用兩個拖動條來控制最大最小閾值，這樣你就可以理解這兩個閾值對結果造成的影響。