canny边缘检测算法主要流程canny边缘检测主要分为4个部分，本文分别从每一个部分进行解析并附代码。图像降噪梯度计算非极大值抑制双阈值边界跟踪

Canny边缘检测是一种广泛应用的图像处理技术，用于提取出图像中的边缘信息。其基本流程可以概括为以下几个步骤：

1. **图像预处理（Image Smoothing）**：首先对输入图像进行高斯滤波（GaussianBlur），目的是降噪，减少图像细节干扰，使得后续操作更为精确。

2. **计算梯度（Gradient Calculation）**：通过Sobel算子或者Prewitt算子计算图像在x和y方向上的梯度，以及它们的联合响应（即梯度幅值和方向）。这一步骤得到的是每个像素点的强度变化率。

3. **非极大值抑制（Non-Maximum Suppression, NMS）**：为了找到真正的边缘位置，算法会选择每个像素点处梯度幅值最大的邻域，并将其他像素置为零，保留局部最大值，这样得到的方向图。

4. **双阈值处理（Double Thresholding）**：设定两个阈值，通常是一个较高的边缘阈值（通常设为原始梯度幅值的一半）和一个较低的噪声阈值。边缘被标记为强边缘（大于较高阈值）和弱边缘（介于两阈值之间）。对于弱边缘，只有当它连接到强边缘时才被认为是真正的边缘。

5. **边缘追踪（Edge Tracking）**：最后，通过连接所有强边缘和它们的相邻弱边缘，形成完整的边缘路径。

以下是Canny边缘检测的基本伪代码示例：

import cv2
import numpy as np

def canny(image):
    # 高斯滤波
    blurred = cv2.GaussianBlur(image, (5, 5), 0)
    
    # 计算梯度
    sobel_x = cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize=3)
    sobel_y = cv2.Sobel(blurred, cv2.CV_64F, 0, 1, ksize=3)
    gradient_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)
    gradient_angle = np.arctan2(sobel_y, sobel_x) * 180 / np.pi
    
    # 非极大值抑制
    suppressed_gradient = np.zeros_like(gradient_magnitude)
    suppressed_gradient[(np.abs(np.roll(gradient_angle, -1)) < np.abs(gradient_angle)) & \
                        (np.abs(np.roll(gradient_angle, 1)) < np.abs(gradient_angle))] = gradient_magnitude[(np.abs(np.roll(gradient_angle, -1)) < np.abs(gradient_angle)) & \
                                                                                       (np.abs(np.roll(gradient_angle, 1)) < np.abs(gradient_angle))]
    
    # 双阈值处理
    low_threshold = 0.5 * np.max(suppressed_gradient)
    high_threshold = low_threshold * 2
    edges = np.zeros_like(image)
    edges[suppressed_gradient >= high_threshold] = 255
    edges[(suppressed_gradient >= low_threshold) & (suppressed_gradient < high_threshold)] = 128
    
    return edges