opencv-Canny()函数

canny对边缘进行检测，有三个原则：

1、信噪比原则：以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。

2、定位精度原则：检测到的边缘应精确定位在真实边缘的中心。

3、单位缘响应原则：图像中给定的边缘应只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘。

基本思想：首先对图像进行高斯滤波平滑图像，然后采用非极值抑制技术进行处理得到最后的边缘图像。

实现步骤：

1、高斯平滑滤波。为了去除噪声

2、计算梯度强度和方向。边缘的最重要的特征是灰度值剧烈变化，如果把灰度值看成二元函数值，那么灰度值的变化可以用二元函数的”导数“（或者称为梯度）来描述。由于图像是离散数据，导数可以用差分值来表示，差分在实际工程中就是灰度差，说人话就是两个像素的差值。一个像素点有8邻域，那么分上下左右斜对角，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。算子是以图像卷积的形式来计算梯度，比如Roberts，Prewitt，Sobel等，这里选用Sobel算子来计算二维图像在x轴和y轴的差分值

3、非极大值抑制。sobel算子检测出来的边缘太粗了，我们需要抑制那些梯度不够大的像素点，只保留最大的梯度，从而达到瘦边的目的。这些梯度不够大的像素点很可能是某一条边缘的过渡点。按照高数上二维函数的极大值的定义，即对点（x0，y0）的某个邻域内所有（x，y）都有f（x，y）≤(f（x0，y0），则称f在（x0，y0）具有一个极大值，极大值为f（x0，y0）。简单方案是判断一个像素点的8邻域与中心像素谁更大，但这很容易筛选出噪声，因此我们需要用梯度和梯度方向来辅助确定。

4、用双阈值算法检测和连接边缘。双阈值法非常简单，我们假设两类边缘：经过非极大值抑制之后的边缘点中，梯度值超过T1的称为强边缘，梯度值小于T1大于T2的称为弱边缘，梯度小于T2的不是边缘。可以肯定的是，强边缘必然是边缘点，因此必须将T1设置的足够高，以要求像素点的梯度值足够大（变化足够剧烈），而弱边缘可能是边缘，也可能是噪声，如何判断呢？当弱边缘的周围8邻域有强边缘点存在时，就将该弱边缘点变成强边缘点，以此来实现对强边缘的补充。实际中人们发现T1:T2=2:1的比例效果比较好，其中T1可以人为指定，也可以设计算法来自适应的指定，比如定义梯度直方图的前30%的分界线为T1，我实现的是人为指定阈值。检查8邻域的方法叫边缘滞后跟踪，连接边缘的办法还有区域生长法等等。

//---------------------------------【头文件、命名空间包含部分】----------------------------
//    描述：包含程序所使用的头文件和命名空间
//------------------------------------------------------------------------------------------------
#include <opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
//-----------------------------------【main( )函数】-------------------------------------------
//            描述：控制台应用程序的入口函数，我们的程序从这里开始
//-----------------------------------------------------------------------------------------------
int main()
{
  //载入原始图  
  Mat srcImage = imread("1.jpg");  //工程目录下应该有一张名为1.jpg的素材图
  Mat srcImage1 = srcImage.clone();

  //显示原始图 
  imshow("【原始图】Canny边缘检测", srcImage);
  //----------------------------------------------------------------------------------
  //  二、高阶的canny用法，转成灰度图，降噪，用canny，最后将得到的边缘作为掩码，拷贝原图到效果图上，得到彩色的边缘图
  //----------------------------------------------------------------------------------
  Mat dstImage, edge, grayImage;

  // 【1】创建与src同类型和大小的矩阵(dst)
  dstImage.create(srcImage1.size(), srcImage1.type());

  // 【2】将原图像转换为灰度图像
  cvtColor(srcImage1, grayImage, COLOR_BGR2GRAY);

  // 【3】先用使用 3x3内核来降噪
  blur(grayImage, edge, Size(3, 3));

  // 【4】运行Canny算子
  Canny(edge, edge, 3, 9, 3);

  //【5】将g_dstImage内的所有元素设置为0 
  dstImage = Scalar::all(0);

  //【6】使用Canny算子输出的边缘图g_cannyDetectedEdges作为掩码，来将原图g_srcImage拷到目标图g_dstImage中
  srcImage1.copyTo(dstImage, edge);

  //【7】显示效果图 
  imshow("【效果图】Canny边缘检测2", dstImage);

  waitKey(0);

  return 0;
}