傳統的Canny邊緣檢測演算法是一種有效而又相對簡單的演算法，可以得到很好的結果（可以參考上一篇Canny邊緣檢測演算法的實現）。但是Canny演算法本身也有一些缺陷，可以有改進的地方。

1. Canny邊緣檢測第一步用高斯模糊來去掉噪聲，但是同時也會平滑邊緣，使得邊緣資訊減弱，有可能使得在後面的步驟中漏掉一些需要的邊緣，特別是弱邊緣和孤立的邊緣，可能在雙閥值和聯通計算中被剔除。很自然地可以預見，如果加大高斯模糊的半徑，對噪聲的平滑力度加大，但也會使得最後得到的邊緣圖中的邊緣明顯減少。這裡依然用Lena圖為例，保持Canny演算法中高閥值100，低閥值50不變，高斯半徑分別為2，3，5的Canny邊緣二值影象如下。可知高斯模糊把很多有用的邊緣資訊也模糊掉了，因此如何精確的選擇高斯半徑就相當重要。

                 高斯半徑2                                          高斯半徑3                                          高斯半徑5

2. 在最初的Canny演算法中是使用的最小的2x2領域來計算梯度幅值的。這種方法對噪聲很敏感，比較容易檢測到偽邊緣或漏掉真是邊緣。在上一篇演算法實現中，實際上使用的是3x3的Sobel梯度運算元，是一種比較好的選擇。

3. 傳統Canny演算法的雙閥值是全域性固定的，因此雙閥值大小的選取對最終的結果影響很大，也有一些經驗，比如選擇低閥值是高閥值的0.4或0.5。然而這畢竟是一種經驗選擇，閥值的確定仍然很難決定一個最優值。而且一個影象的不同區域性區域可能需要各不相同的閥值來精確地找到真實邊緣，因此全域性閥值就不太合適了。

4. 傳統演算法仍然可能產生一條寬度大於1的邊緣，達不到滿意的高精度單點響應。也就是需要繼續細化邊緣。

下面就一些可以改進的地方做一些討論。

代替高斯模糊

噪聲是高頻訊號，邊緣訊號也屬於高頻訊號。既然高斯模糊不加區分的對所有的高頻資訊進行了模糊，效果自然不盡如人意。那麼自然就想到了帶有保留邊緣功能的各種選擇性平滑方法，似乎在這裡比高斯模糊會更加合適，那我們就來試一試。帶有保留邊緣功能的平滑方法的基本思想不是讓領域範圍內的所有畫素都參與該種平滑方法的計算，而是設定一個閥值，僅僅讓和中心畫素灰度的差值小於這個閥值的畫素參與計算。這樣和中心畫素相差過大的畫素被認為是帶有有效的資訊，而不是噪聲，不會參與平滑計算，從而保留了這些有用的高頻訊號，那麼邊緣訊號自然也在保留的範圍。具體的演算法可以參考這篇文章

應用有保留邊緣的選擇性模糊來代替高斯模糊後，可以發現，模糊領域的半徑值基本影響不了Canny檢測的結果，最後的結果只跟選擇模糊設定的閥值有關。下面以均值模糊為例，Canny檢測的高閥值100低閥值50不變，均值模糊閥值30，不同模糊半徑的結果。在均值模糊閥值不變的情況下，不同領域半徑下，最後的結果差別不大。

              均值模糊半徑2，閥值30                     均值模糊半徑5，閥值30                           均值模糊半徑15，閥值30 

而保持模糊半徑5不變的話，使用不同模糊門限閥值，閥值越大，也就是有越多的領域畫素參與模糊計算，最後保留的邊緣就越少了。

           均值模糊半徑5，閥值40                         均值模糊半徑5，閥值50

相對於高斯模糊，在相同半徑下，可以看出應用有保留邊緣功能的選擇性模糊，明顯能保留了更多的邊緣細節，使得很多相對較弱的邊緣得意保留下來了。我另外還實驗了選擇性的中值模糊，表面模糊，他們和選擇性的均值模糊都能達到類似的效果。這裡就不一一列舉結果了。其中選擇性的表面模糊，因為中心畫素的權重高，最後Canny檢測結果在引數相同的情況下，保留的邊緣相對較多一些。總的來說，應用有保留邊緣功能的選擇性模糊來代替高斯模糊，引數的選擇（領域半徑和閥值門限）不像高斯模糊半徑引數選擇那麼嚴格，所以檢測結果更穩定一些。但是引數要多了一個。

梯度運算元選擇

對於演算法中梯度的計算，梯度運算元可以有多種選擇。我試了一下，如果用一階梯度運算元，Robert交叉運算元，他們都是2x2的運算元，來代替Sobel，保持高斯模糊半徑2，高閥值100低閥值50不變，結果如下。要注意的是，由於一階梯度運算元和Robert運算元都是2x2的運算元，他們算出來的梯度在幅度上都要小於Sobel運算元。即使用同樣的高低閥值，最後的結果也不具有可比性。因此，參照Sobel運算元的幅度，2x2運算元的x，y方向梯度都乘以相應地倍數（4倍），最後進行比較。

                一階差分Canny二值圖                        Robert交叉梯度Canny二值圖                   Sobel運算元Canny二值圖

可以看到，一階差分最後的結果在邊緣的連通性上是最差的，Robert運算元要好一些，Sobel運算元最好。在這幾種選擇當中，似乎Sobel運算元是最好的選擇。另外還可以使用Prewitt運算元和5x5Sobel運算元。Prewitt運算元也是3x3的，僅僅引數不同，在平滑效能上略微不如Sobel運算元。一般來說，比如在Lena圖上，Canny邊緣結果和用Sobel運算元的結果差別不大。5x5Sobel運算元在平滑效能上要更強一些。