Sobel或Laplace都是基於微分的邊緣檢測算法，只有當雜訊極少，或者先用平滑濾波抑制雜訊後，才能得到理想結果。
在邊緣檢測中，抑制雜訊和邊緣精確定位很難同時滿足，當我們通過平滑濾波去除噪音的同時，也增加了邊緣定位的不確定性，而提高邊緣檢算子對邊緣敏感度的同時，也增加了對雜訊的敏感度，這邊介紹Canny邊緣檢測算子，Canny在抗雜訊和精確定位間有不錯的效果，OpenCV提供Canny()函式，來進行Canny邊緣檢測，以下為流程，OpenCV已將步驟封裝好，使用時只要呼叫Canny()即可。
去雜訊：使用5×5的高斯濾波，我們根據下面的高斯函數，以σ=1.3帶入後得到高斯濾波的各個參數。
記錄梯像素梯度方向和強度：以Sobel運算子計算水平和垂直梯度(Gx、Gy)，數學上為兩者平方後相加，得到梯度強度(G)，實際上由於運算效率上的考量，OpenCV預設將G設為Gx和Gy的絕對值相加，θ為梯度方向，我們將其分類到0、45、90、135度之一，也就是假設此點我們計算的θ為0~22.5或157.5~180，便將此點θ分類為0。
非最大抑制：採用梯度找邊緣，邊緣會比較模糊，這方法讓邊緣定位較精確，我們比較每個像素，和他正負梯度方向的像素，要是這個像素的梯度強度最大，就保留此像素的值，否則設為0，也就是假設有某個像素的梯度方向為朝上或下，則和它上面及下面像素比較梯度強度，如果不是最大就設為0。
判斷邊界：我們依據輸入的上下兩個閾值，通常上下閾值的比例，大約在2：1到3：1之間，由閾值判斷此像素是否為邊緣，分以下三個判斷依據：
a、要是此像素梯度強度大於上閾值，則此像素為邊緣。
b、如果此像素梯度強度小於下閾值，此像素不為邊緣。
c、如果此像素梯度強度介於上下閾值，如果此像素周圍，有像素的梯度強度大於上閾值，則此像素為邊緣，否則不為邊緣。
void Canny(InputArray image, OutputArray edges, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
src：輸入圖，單通道8位元圖。dst：輸出圖，尺寸、型態和輸入圖相同。 threshold1：第一個閾值。threshold2：第二個閾值。apertureSize ：Sobel算子的核心大小。L2gradient ：梯度大小的算法，預設為false。L2gradient分兩種找梯度方式：
以下示範Canny()的使用，dst2為dst1黑白倒轉，改呈現比較習慣的黑色邊緣：
#include <cstdio> #include <opencv2/opencv.hpp> using namespace cv; int main(){ Mat src = imread("lena.jpg", CV_LOAD_IMAGE_GRAYSCALE); GaussianBlur(src, src, Size(3,3), 0, 0); Mat dst1, dst2; Canny(src, dst1, 50, 150, 3); threshold(dst1, dst2, 128, 255, THRESH_BINARY_INV); //反轉影像，讓邊緣呈現黑線 imshow("origin", src); imshow("Canny_1", dst1); imshow("Canny_2", dst2); waitKey(0); return 0; }转自：http://monkeycoding.com/?p=622
