Canny边缘检测器有哪些局限性？和最好的分割叶脉的方法？
该算法的基本概述如下：
a。应用高斯卷积。 （在此处选择$ \ sigma $）
b。应用2D导数
c。跟踪此边缘的脊线并使用滞后性较低和较高的T0和T1（在此处选择$ T0 $和$ T1 $）进行阈值化（将不在边缘的像素设置为零）。
阅读更多背景知识。
然而，据称Canny是最佳选择。当获得实际结果很重要时，在$ \ sigma，T0，$和$ T1 $上方列出的调整因子确实会产生很大的差异。
那么，如何实际选择这些（调整）参数呢？即使没有确定的方法或价值，了解这一点的一般技巧是什么？
#1 楼
紧随http://www.kerrywong.com/2009/05/07/canny-edge-detection-auto-thresholding/的是为数不多的展示如何选择阈值Tlow和Thigh的资源之一据此，对于在直方图上充分散布的图像，可以选择T_low = 0.66 *图像平均值和T_high = 1.33 *平均值。
但是，当图像未充分散布时，应使用中位数而不是图像的平均值。
如果T_low和T_high之间的差距很小，结果边缘连续性较小，因此会有更多的分数。随着间隙的增加，您将有更多的单线边缘。
关于sigma，随着sigma的增加，平滑度也会增加，并且嘈杂的边缘将消失，但是同时，边缘的位置也可能移动不大。请参阅此文档，http://www.cse.unr.edu/~bebis/CS791E/Notes/EdgeDetection.pdf，第29页的结果显示了这种效果。