7.4.3 canny边缘检测
    canny边缘检测是使用最广泛的边缘检测算法之一，可以有效减少噪音的影响，同时边缘处理的效果也不错。
    canny边缘检测算法可以分为以下5个步骤：
    1）使用高斯滤波器，以平滑图像，滤除噪声。
    2）计算图像中每个像素点的梯度强度和方向。
    3）应用非极大值抑制，以消除边缘检测带来的杂散响应。
    4）应用双阈值检测来确定真实的和潜在的边缘。
    5）通过抑制孤立的弱边缘最终完成边缘检测。
    canny算法应用双阈值的技术，即设定一个阈值上界和阈值下界，图像中的像素点如果大于阈值上界则认为必然是边缘，小于阈值下界则认为必然不是边缘，两者之间的则认为是候选项，须进行进一步处理。canny的具体原理这里不再展开，有兴趣的读者可以阅读相关文献。
    canny边缘检测在opencv中的函数定义如下：
    canny(image, threshold1, threshold2, edges=none, aperturesize=none, l2gradient=none)
    其中主要的参数如下。
    ? threshold1：阈值1，即低阈值。
    ? threshold2：阈值2，即高阈值，低阈值用来控制边缘连接，高阈值用来控制强边缘的初始分割，低于低阈值的会被判定为不是边缘，高于高阈值的会被判定为边缘，中间区间的会通过计算判断是否为边缘。
    如图7-21所示，一共有四个子图，子图a是原始图像，子图b在原始图像上叠加高斯噪声，子图c对混有高斯噪声的图像进行拉普拉斯边缘检测，子图d对混有高斯噪声的图像进行canny边缘检测。可见拉普拉斯边缘检测容易受到噪声干扰，canny边缘检测对噪声的干扰具有一定抵御能力。
    img=cv2.imread("../picture/smallpig.jpeg")
    img=cv2.cvtcolor(img.copy(), cv2.color_bgr2gray)
    #高斯噪声
    noise_img=skimage.util.random_noise(img.copy(), mode="gaussian", seed=none, clip=true,mean=0,var=0.0016)
    noise_img=np.uint8(noise_img*255)
    #拉普拉斯边缘检测
    lap = cv2.laplacian(noise_img,cv2.cv_64f)#拉普拉斯边缘检测
    lap = np.uint8(np.absolute(lap))##对lap去绝对值
    #对二值图像进行反转，黑白颠倒
    lap=cv2.bitwise_not(lap)
    #canny边缘检测
    canny = cv2.canny(noise_img,150,300)
    #对二值图像进行反转，黑白颠倒
    canny=cv2.bitwise_not(canny)
    图7-21 canny边缘检测示例