转载请说明出处：http://blog.csdn.net/zhubaohua_bupt/article/details/73826080
Canny边缘检测算子是John
F. Canny于 1986 年开发出来的一个多级边缘检测算法。
Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
好的检测- 算法能够尽可能多地标识出图像中的实际边缘。
好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘
——摘自百度百科
最近做了个项目，需要canny边缘检测，但是，在平台上不支持opencv，所以就研究了一下canny边缘检测的原理，并用c++实现算法。
1 原理部分
Canny边缘检测整个流程共分为4步，分别是
*滤波、
*梯度及方向角计算（增强）、
*边缘非极大值抑制、
*双阈值连接，
下面以一个图像边缘检测的流程探讨一下每个部分。原图为
1.1 滤波
1.1.1为什么要滤波？
滤波的目的是为了平滑一些纹理较弱的非边缘区域，从而更准确的检测边缘。
1.1.2 高斯滤波
常见的滤波算法有均滤波、中值滤波、高斯滤波、双边滤波等等。我们知道，均值滤波可以模糊图像；
中值滤波可以去除椒盐噪声； 双边滤波可以保留边缘，平滑非边缘区域。canny边缘检测使用的高斯滤波，
和均值、双边滤波一样，高斯滤波也是通过对图像模板卷积实现的， 只不过模板的内容不一样。下面探究一下高斯滤波：
高斯滤波的模板（高斯核）是利用高斯函数形成的。
高斯核形成中有一个比较重要的参数，即方差，方差控制着高斯滤波对图像的平滑程度。方差越大，滤波后的图像越平滑。
极限情况下，方差无限大，高斯滤波退化成均值滤波。滤波就说到这里，关于高斯滤波更详细的特性可以自行百度。
1.1.3 高斯核为3，7时的效果
1.2 梯度及方向角计算
canny利用sobel算子来计算经过滤波后，图像的梯度和方向角。
高斯核大小分别为3，7时，sobel效果
1.3 非极大值抑制
在图像边缘区域，其附近梯度值往往都很大，为了满足最小响应标准，canny采用了非极大值抑制，
来去除真实边缘附近的其他梯度较大的区域。
非极大值抑制的思想是，沿着梯度方向，如果当前待检测像素的梯度不是最大值，那么，此像素就不是边缘。
为了简化计算，由于一个像素周围有八个像素，本文把一个像素的梯度方向离散为八个方向，如下图
把像素可能的360梯度方向分为8个扇区，每个扇区对应一个像素位置。这样就可以不利用插值，计算像素沿梯度方向前后的两个像素值。
这样，对于一个像素，其前后像素的计算就对应4种情况，比如像素p的梯度方向角为12.1度，
那么该像素沿着梯度方向前后的两个像素分别为(i-1,j+1),(i+1,j-1)。
高斯核分别为3，7时 ，经过非极大值抑制后的边缘
1.4 双阈值连接
经过以上3个步骤，我们已经可以得到一个经过非极大值抑制的边缘图像，如果没有什么特殊要求，这个边缘图像就可以利用了。
之所以要有双阈值连接这一步，是因为在获取图像边缘时，我们希望得到一些梯度比较大边缘，即得到一些特征较鲜明的边缘。
这样就必须设定一个阈值highThreshold来卡一下梯度值，只有图像梯度值大于highThreshold时才认为这些边缘特征鲜明。但是，
如下图， 只设定一个阈值会出现这样的问题，就是检测到的边缘不连续，
为了得到特征明显且连续的边缘，因此，canny采用了双阈值连接法。
即再设定一个低阈值，lowThreshold，用lowThreshold卡一下梯度图像，记录所用大于此阈值的像素位置，用来连接经过highThreshold阈值后
不连续的边缘。连接后图像如下，lowThreshold和highThreshold
一低 一高，为什么叫双阈值，相信一下就明白了吧。
双阈值连接效果，高斯核分别为3，7
实现部分见下篇博客
参考：
1 http://blog.csdn.net/yanmy2012/article/details/8110316
2 http://blog.csdn.net/xiajun07061225/article/details/6926108
3 http://www.cnblogs.com/qiqibaby/p/5289977.html
4 http://blog.csdn.net/dcrmg/article/details/52344902