Canny边缘检测器是一种边缘检测算子，使用多阶段算法来检测图像中的广泛边缘。它由John F. Canny于1986年开发，同时他还提出了边缘检测的计算理论，解释了该技术为何有效。该算法广泛应用于计算机视觉系统，以从图像中提取有用的结构信息，在减少待处理数据量的同时保留重要边界。
该检测器旨在满足三个总体标准：低错误率（尽可能准确地捕捉边缘）、良好的定位（检测到的边缘位于真实边缘中心）以及最小响应（每条边缘应仅标记一次，且噪声不应产生虚假边缘）。Canny使用变分法寻找最优函数，该函数由高斯函数的一阶导数近似。由于其严格的定义和针对这些标准的优化性，它已成为最流行的边缘检测方法之一。
过程概述
该算法分为五个步骤：应用高斯滤波器平滑图像、计算强度梯度、应用梯度幅度阈值化以减少虚假响应、应用双阈值确定潜在边缘，以及通过滞后跟踪边缘以抑制未连接到强边缘的弱边缘。
高斯滤波器
所有边缘检测结果都容易受到噪声影响，因此滤波是必不可少的。将高斯滤波器核与图像进行卷积以平滑图像并减少明显噪声的影响。核大小影响性能：较大的尺寸降低对噪声的敏感性，但增加定位误差。一个常见的5x5核，sigma = 2，由矩阵给出，其中每个条目遵循高斯公式H(i,j) = 1/(2πσ²) exp(-((i-(k+1))²+(j-(k+1))²)/(2σ²))，结果与图像进行卷积。对于5x5核，矩阵为1/159乘以[[2,4,5,4,2],[4,9,12,9,4],[5,12,15,12,5],[4,9,12,9,4],[2,4,5,4,2]]，通过卷积应用。5x5大小在大多数情况下效果良好，但可根据具体情况变化。
计算强度梯度
下一步是计算平滑图像的强度梯度。这通常使用Sobel或Prewitt算子来近似水平和垂直方向的梯度，从而得到每个像素处最强梯度的幅度和方向。梯度方向对于下一步中的非极大值抑制至关重要。
非极大值抑制和阈值化
应用梯度幅度阈值化，也称为下限截止抑制，以减少虚假响应。非极大值抑制是一种常见方法：它仅保留梯度方向上的局部极大值像素，将边缘细化为一像素宽的边界。之后应用双阈值：高阈值找到强边缘，低阈值找到弱边缘。
通过滞后跟踪边缘
最后一步是滞后处理，其中弱边缘仅在与强边缘连接时保留；所有其他弱边缘被抑制。这通过产生干净、连续的边缘来完成检测，同时忽略噪声和弱孤立响应。该算法已在许多计算机视觉系统中实现，通常作为图像分割和特征提取等高级任务的基础，在人工智能和机器学习的各种应用中使用。
影响与遗产
John F. Canny在1986年的工作已成为基础技术。它通常是开源库中的主要方法，并且在讨论基于深度学习的边缘检测时是常见参考，尽管此后出现了神经方法。该算法的简单性和严格设计使其成为比较的基准。除了学术研究外，它在自动驾驶车辆中也有应用，例如车道检测。例如，在Waymo或特斯拉自动驾驶系统中，边缘检测可作为识别街道线或障碍物的预处理步骤。在医学成像中，它有助于描绘解剖结构，在工业检查中，它有助于检测生产线上的缺陷。
与现代发展的关系
尽管深度神经网络方法已经发展，Canny边缘检测器仍然是信号处理和图像分析的标准基线和教学工具。其原理，即滤波、梯度计算和滞后处理，仍应用于更高级的流程中。关于更好边缘检测的研究通常与Canny结果进行比较，类似滞后的方法出现在现代调度或丢弃步骤中，用于网络训练，尽管联系更为抽象。该算法也用于数据增强，当为训练生成合成边缘时。近几十年来，ARM控股和英特尔 CPU以及AMD GPU提供的硬件加速使该方法在无数嵌入式应用中实时运行。
Canny边缘检测器影响了许多后续工作，它仍然是提取原始像素结构信息的最简单方法之一。截至2020年代初，它仍在大学课程中广泛教授并在工业中使用，展示了1986年算法的持久价值。