1）图像降噪。一般使用高斯滤波器，以平滑图像，滤除噪声。
高斯滤波器的模板系数，随着距离模板中心的增大而系数减小。
高斯滤波器相比于均值滤波器对图像个模糊程度较小
#高斯模糊的卷积核里的数值是高斯分布，相当于更重视中间的 aussian = cv2.GaussianBlur(noiseimage, (5, 5), 1 )
2）计算图像梯度。计算图像中每个像素点的梯度强度和大小。
因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方,所以计算图像梯度能够初步得到图像的边缘
3）非极大值抑制。应用非极大值抑制，以消除边缘检测带来的杂散效应。
非极大值抑制，简称为NMS算法。其思想是搜素局部最大值，抑制非极大值。目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框
4）阈值筛选。应用双阈值检测来确定真实的和潜在的边缘，通过抑制孤立的弱边缘最终完成边缘检测
定义了两个参数，minval和maxval。
小于minval可认为不是边界，舍弃。
大于maxval则处理为边界。
大于minval，小于maxval，与边界相连就保留，否则舍弃。
使用opencv自带函数的运行代码：
import cv2
import numpy as np
img = cv2.imread('image1.png',cv2.IMREAD_GRAYSCALE )
v1 = cv2.Canny(img, 80, 150)
v2 = cv2.Canny(img, 50, 100)
cv2.imshow('init',img)
cv2.imshow('v1', v1)
cv2.imshow('v2', v2)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果显示
自定义Canny边缘检测
