该阶段确定哪些边缘全部是真正的边缘，哪些不是。为此，我们需要两个阈值minVal和maxVal。强度梯度大于maxVal 的任何边缘必定是边缘，而小于minVal的那些边缘必定是非边缘，因此将其丢弃。介于这两个阈值之间的对象根据其连通性被分类为边缘或非边缘。如果将它们连接到“边缘”像素，则将它们视为边缘的一部分。否则，它们也将被丢弃。见下图：

编辑

边缘A在maxVal 之上，因此被视为“确定边缘”。尽管边C低于maxVal，但它连接到边A，因此也被视为有效边，我们得到了完整的曲线。但是边缘B尽管在minVal之上并且与边缘C处于同一区域，但是它没有连接到任何“确保边缘”，因此被丢弃。因此，非常重要的一点是我们必须相应地选择minVal和maxVal 以获得正确的结果。

注意：在边缘为长线的假设下，该阶段还消除了小像素噪声。因此，我们最终得到的是图像中的强边缘。

15.3 OpenCV中的Canny Edge检测

OpenCV将以上所有内容放在单个函数cv.Canny()中。我们将看到如何使用它。

第一个参数是我们的输入图像。

第二个和第三个参数分别是我们的minVal和maxVal 。

第三个参数是perture_size 。它是用于查找图像渐变的Sobel内核的大小。默认情况下为3。

最后一个参数是L2gradient，它指定用于查找梯度幅度的方程式。如果为True ，则使用上面提到的更精确的公式，否则使用以下函数：

默认情况下，它为False 。

代码如下：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('test.jpg', 0)
edges = cv.Canny(img, 100, 200)
plt.subplot(121), plt.imshow(img, 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()

运行结果如下：

编辑

15.4 附加资源

15.5 练习

编写一个小应用程序以找到Canny边缘检测，该检测的阈值可以使用两个跟踪栏进行更改。这样，你可以了解阈值的影响。

代码如下：

import cv2 as cv
def nothing(x):
    pass
img = cv.imread('01.jpg', 0)
# 创建一个窗口以供使用
cv.namedWindow('Edges', cv.WINDOW_NORMAL)
# 创建阈值变化的轨迹栏
cv.createTrackbar('minValue', 'Edges', 0, 255, nothing)
cv.createTrackbar('maxValue', 'Edges', 0, 255, nothing)
while True:
    if cv.waitKey(1) & 0xFF == 27:
        break
    # 得到两条轨迹的当前位置
    min_value = cv.getTrackbarPos('minValue', 'Edges')
    max_value = cv.getTrackbarPos('maxValue', 'Edges')
    edges = cv.Canny(img, min_value, max_value)
    cv.imshow('Edges', edges)
cv.destroyAllWindows()