编程实现Canny算子的前3步（高斯滤波，梯度强度和方向计算和非最大值抑制）对提供的图像进行边缘特征检测并输出图像。

要实现Canny算子的前三个步骤，我们需要分步操作：

1. **高斯滤波**[^2]：这是Canny算法的第一步，它有助于减少噪声影响。这里以Python的OpenCV库为例，使用`cv2.GaussianBlur()`函数进行高斯滤波。

import cv2
import numpy as np

# 假设img是输入的图像
blurred_img = cv2.GaussianBlur(img, (5, 5), 0)

2. **计算梯度强度和方向**[^1]：使用Sobel算子计算图像的梯度。这涉及两个步骤：水平和垂直方向的梯度计算，然后合成。

gray_img = cv2.cvtColor(blurred_img, cv2.COLOR_BGR2GRAY)
sobel_x = cv2.Sobel(gray_img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(gray_img, cv2.CV_64F, 0, 1, ksize=3)

# 计算梯度幅值和方向
gradient_mag, gradient_dir = cv2.cartToPolar(sobel_x, sobel_y, angleInDegrees=True)

3. **非极大值抑制（Non-Maximum Suppression, NMS)**：这一步用来保持每个像素点的梯度方向，但仅保留强度最大的邻域内的像素。

dx = np.zeros_like(gradient_mag)
dy = np.zeros_like(gradient_mag)

dx[np.where((gradient_dir >= 45) & (gradient_dir < 135))] = 1
dx[np.where((gradient_dir >= 225) & (gradient_dir < 315))] = -1
dy[(gradient_dir >= 0) & (gradient_dir < 45)] = 1
dy[(gradient_dir >= 135) & (gradient_dir < 225)] = -1

mask = np.logical_or.reduce((np.abs(dx) == gradient_mag, np.abs(dy) == gradient_mag))
filtered_grad = np.copy(gradient_mag)
filtered_grad[mask] = 0

thresholded_img = np.uint8(filtered_grad > cv2.THRESH_CANNY(minVal, maxVal))

这里的`minVal`和`maxVal`是Canny算法的双阈值，可以根据具体需求调整。

请注意，实际应用时可能还需要对这些步骤进行一些优化和参数调整，以获得最佳的结果。