边缘检测是非常常见和广泛使用的图像处理，对于许多不同的计算机视觉应用非常必要，如数据提取，图像分割，在更细粒度的特征提取和模式识别中。它降低了图像中的噪声和细节数量，但保留了图像的结构。
Python中的Canny边缘检测是计算机视觉中最流行的边缘检测方法之一。以下是Canny边缘检测的步骤：
1.使用高斯平滑来减少噪声
2.计算梯度
3.应用非极大值抑制以减少噪声
4.找到上下阈值
5.应用阈值。
幸运的是，OpenCV库有cv2.canny()函数，可为我们执行Canny边缘检测。
在本文中，我们将直接使用OpenCV执行边缘检测。
import cv2
import matplotlib.pyplot as plt
我们将使用以下图片进行今天的教程：
Canny边缘检测的第一步是应用高斯模糊。在模糊之前，将图像转换为灰度也很重要：
image = cv2.imread("meter.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
现在，我们可以直接将cv2.Canny()方法应用于这个模糊的图像。
很简单。它需要三个参数：图像本身，较低的阈值和较高的阈值。选择这些阈值是棘手的。对于每个图像，这些阈值都将是不同的。
对于此图像，我们将尝试三个不同的范围并观察发生了什么：
wide = cv2.Canny(blurred, 50, 200)
mid = cv2.Canny(blurred, 30, 150)
tight = cv2.Canny(blurred, 210, 250)
在这里，我使用了三种不同类型的范围。在wide中，阈值的值具有宽范围。在mid中，阈值的值在中间范围内，在tight中，阈值的值具有紧密的范围，仅为210到250，非常接近。
为了检查图像，我只保存了这三个图像（wide，mid和tight）。
以下是wide的结果：
这是mid范围的结果：
tight的结果：
如果我们注意这三张图片，我相信中等范围给出了更加坚实的边缘。
记住，你不能一概而论这些范围。对于不同的图像，可能需要使用不同的范围。这就是为什么这么棘手的原因。
好消息是，有一些可用的统计技巧可以用来找到下限和上限阈值，而不需要像我们之前看到的试错方法那样。
这是自动边缘检测的函数：
def auto_canny_edge_detection(image, sigma=0.33):
md = np.median(image)
lower_value = int(max(0, (1.0-sigma) * md))
upper_value = int(min(255, (1.0+sigma) * md))
return cv2.Canny(image, lower_value, upper_value)
在上面的函数中，首先找到图像数组中的中位像素值。然后使用这个中位数和一个常数sigma值，可以找到下限和上限阈值。
这里使用了一个sigma值为0.33。在大多数应用程序中，0.33作为sigma值是有效的。但在某些情况下，如果它不能给出好的结果，请尝试一些其他的sigma值。
这是我们之前创建的模糊图像上使用auto_canny_edge_detection方法的结果：
auto_edge = auto_canny_edge_detection(blurred)
cv2.imwrite("auto.jpg", auto_edge)
这就是auto.jpg的样子：
正如你所看到的，边缘在这里很清晰地出现了，而不需要尝试太多的阈值。
结论
在我看来，自动边缘检测函数为我们提供了最好的结果。
