opencv中canny算法理解

opencv canny的应用详解参见：

http://docs.opencv.org/doc/tutorials/imgproc/imgtrans/canny_detector/canny_detector.html

canny算法的基本步骤：

1. 获取x，y的梯度

2. 非最大值抑制

3. 边缘跟踪

第一个步骤很好理解，获取x方向、y方向的梯度。opencv中应用sobel算子来获取dx，dy。

第二个步骤有点绕口费解，说白了就是在梯度方向上求最大值，来判断此点是不是边缘点。梯度方向上是灰度变换最大的方向，只要在这条线上，比较梯度图像的中心点的邻域即可。如果梯度图像中，中心点大于两个邻域的值，则可能为边缘点，如果小于邻域的值，则为非边缘点。

有的实现采用插值的方式来获取梯度方向上中心点邻域的值，然后进行比较。而opencv，将图像中心点梯度方向近似为4个方向 0, 45, 90 及135，直接可以利用8邻域进行比较计算，不用插值的方法。。

这四个方向正好对应8邻域的横向、纵向及斜向4个方向。例如 角度 < 22.5度（PI/8） 时，横向； 角度 > 67.5度时，纵向...

        1   2   3
         *  *  *
          * * *  
        0*******0
          * * *  
         *  *  *
        3   2   1

其中
#define TG22  (int)(0.4142135623730950488016887242097*(1<<CANNY_SHIFT) + 0.5)
是tan（PI/8）的快速算法， tg67是tan(67.5)的快速算法。

prev_flag的作用，为1代表前一个像素点为边缘点，为0代表前一个点为非边缘点。目的是将大于high阈值的、且其前面的仍然是边缘点的（其实就是连续几个点是边缘点）点设置为可能是边缘点，即标示此点_map[j] = (uchar)0;，不用入栈，后续采用跟踪的方式再确定为边缘点。

第三个步骤，采用双阈值边缘跟踪。
如果是梯度在邻域中是最大值，且大于high阈值，确定是边缘点，然后以此为中心需找邻域中满足低阈值的点。

如果邻域点满足其点梯度最大值，且大于low阈值，确定此邻域点为边缘点，并递归此步骤。

opencv中阈值判断放在第二步中了，而其第三步仅用来邻域跟踪，采用栈循环非递归的方式实现。将扩展已经是边缘点的8邻域，将可能是边缘点的邻域（_map中为0的点），确定为边缘点。

其他：

获取一个区域内的梯度最大值，能很好的细化边缘。

本质是获取多个梯度

比较大小

梯度最大值与 阈值比较，而且可能是被蹂躏两次，确立边缘点。

reference：
http://cpansearch.perl.org/src/CORION/Image-CCV-0.02/ccv-src/lib/ccv_basic.c
http://comments.gmane.org/gmane.comp.lib.opencv/42781