Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子：
import cv2
import numpy as np
img = cv2.imread('../data/lena.pgm', 0)
edges = cv2.Canny(img, 30, 70) # canny边缘检测
cv2.imshow('canny', np.hstack((img, edges)))
cv2.waitKey(0)
cv2.Canny()进行边缘检测，参数2、3表示最低、高阈值，下面来解释下具体原理。
经验之谈：之前我们用低通滤波的方式模糊了图片，那反过来，想得到物体的边缘，就需要用到高通滤波。推荐先阅读：番外篇：图像梯度。
Canny边缘检测
Canny边缘提取的具体步骤如下：
1，使用5×5高斯滤波消除噪声：
边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。
2，计算图像梯度的方向：
首先使用Sobel算子计算两个方向上的梯度，然后算出梯度的方向：
保留这四个方向的梯度：0°/45°/90°/135°，有什么用呢？我们接着看。
3，取局部极大值：
梯度其实已经表示了轮廓，但为了进一步筛选，可以在上面的四个角度方向上再取局部极大值：
比如，A点在45°方向上大于B/C点，那就保留它，把B/C设置为0。
4，滞后阈值：
经过前面三步，就只剩下0和可能的边缘梯度值了，为了最终确定下来，需要设定高低阈值：
- 像素点的值大于最高阈值，那肯定是边缘（上图A）
- 同理像素值小于最低阈值，那肯定不是边缘
- 像素值介于两者之间，如果与高于最高阈值的点连接，也算边缘，所以上图中C算，B不算
Canny推荐的高低阈值比在2:1到3:1之间。
