边缘检测原理
边缘检测（Edge Detection）是图像处理和计算机视觉中的基本问题，其目的在于标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示：
图像边缘检测大幅度地减少了数据量，并且剔除了可看作不相关的信息，保留了图像重要的结构属性。边缘检测的方法可大致划分为两类：
1）基于搜索：通过寻找图像一阶导数中的最大值和最小值来检测边界，通常是将边界定位在梯度最大的方向，代表算法是Sobel算子和Scharr算子。
2）基于零穿越：通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点，代表算法是Laplacian算子。
Canny边缘检测算法
Canny边缘检测算法是一种非常流行的边缘检测算法，是JohnF.Canny于1986年提出的，被认为是最优的边缘检测算法。它可分为4个步骤：去除噪声、计算图像梯度、非极大值抑制和滞后阈值。
去除噪声
边缘检测极易受到噪声影响，因此需要使用高斯滤波器去除噪声。
计算图像梯度幅值与方向
在数学中，梯度的本意是一个向量，表示函数在某点的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向变化最快，变化率最大。
图像中用梯度表示灰度值的变化程度与方向，而边缘就是指灰度强度变化最强的位置。梯度方向与边缘方向呈垂直关系。
此处采用Sobel滤波器计算梯度的大小和方向。Sobel算子GX是水平方向的一阶导数，用于检测Y轴方向的边缘，而GY则是竖直方向的一阶导数，用于检测X轴方向的边缘。
非极大值抑制
非极大值抑制（Non-MaximumSuppression，NMS），即保留局部最大值，
抑制非局部最大值的所有值。简单而言，就是对图像的所有像素点进行检测，如果某点的梯度强度大于其梯度方向的正负方向的像素点，则该点保留；否则，该点被抑制。
Canny边缘检测算法是沿着梯度方向对幅值进行非极大值抑制的，而非边缘方向。
滞后阈值
为了确定真正的边界，需要设定两个阈值“minVal”和“maxVal”。当图像某点的灰度梯度大于阈值“maxVal”，该点被视为真的边界点；当某点的灰度梯度小于阈值“minVal”，则该点不看作边界点；当某点的灰度梯度介于两个阈值之间，根据该点是否与真的边界点相连来进行判断，相连则将该点也看作边界点，否则将其抛弃。
代码
import cv2
import numpy as np
import matplotlib.pyplot as plt
#图像读取
img = cv2.imread("test.jpg")
#Canny边缘检测
lowThreshold = 1 #最小阈值
max_lowThershold = 80 #最大阈值
canny = cv2.Canny(img, lowThreshold, max_lowThreshold)
#图像展示
plt.figure(figsize = (8, 5), dpi = 100)
plt.rcParams['axes.unicode_minus'] = False
plt.subplot(121), plt.imshow(img, camp=plt.cm.grap). plt.title("Original")
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(canny, cmap = plt.cm.gray), plt.title("Edge Detection")
plt.xticks([]), plt.yticks([])
plt.show()
