边缘检测是图像处理的主要部分。虽然基于深度学习的技术，例如卷积神经网络，可以执行非常复杂的边缘检测(即，具有变化的曲率、噪声、颜色等的边缘。)，在某些情况下，经典的边缘检测方法仍然具有很高的意义！例如，如果已知数据简单且可预测；与CNN相比，Canny边界检测可以立即使用，但CNN的实现通常更复杂。

边缘检测的基础知识

大多数经典的边缘检测算法都是基于一阶导数的概念。在下图中，我们可以看到一个理论上的边缘轮廓。Y轴是像素强度，X轴是图像中的物理位置。在图像的边缘，存在从低强度到高强度的快速过渡，反之亦然。这种过渡越快，边缘就会出现。要检测边缘，我们只需要对像素强度进行一阶导数，然后寻找最大值，如下图所示！

Canny边缘检测

通常，这种导数与高斯滤波器相结合，一步完成图像平滑和边缘检测。因为导数和高斯滤波器的卷积是线性运算，所以我们可以直接对图像应用微分高斯滤波器！下面的例子5 ×5过滤器完成此操作，使用此过滤器= 1。

这将产生一个输出，它突出了边缘的位置！然而，Canny的优点是它可以产生非常薄和干净的边缘。接下来，非最大抑制(NMS)将实现这一目标。通过跟踪输出图像中的高值，然后检查3 ×3邻域内完成NMS的最大梯度。中心像素必须在垂直于边缘的方向上最高，否则它将被设置为0。

在下面的例子中，我们看到一个7 ×其中采样输出来自高斯滤波器。较高的值将表明该位置的一阶导数较高！为了执行NMS，我们沿着边缘方向进行***，然后将其设置为0(如果它们在边缘的法线方向上不是最大值)(即红轴)。因此，在NMS之后，蓝色单元将保留，灰色单元将全部被设置为0。我们看到这提供了只有一个像素宽的精细边缘输出！

Canny边缘检测的另一个重要组成部分是滞后阈值。听起来超级复杂，其实很简单！该步骤与NMS一起执行，其主要思想是防止噪声边缘在最终的边缘检测中引起碎片。选择2个阈值，其中t1 >: T2 .只有当梯度值大于T1时才开始NMS跟踪，只有当梯度值小于T2时才停止NMS跟踪。这可以确保NMS跟踪对于边缘的噪声是鲁棒的，这可以由T1和T2值来控制。