如果你刚开始学图像处理，很大概率已经体会过这种挫败感：用Sobel算子或者Prewitt算子跑完一张图，看着输出的结果，边缘确实变亮了，可线条又粗又毛躁，背景噪点也跟着起哄，真正想要的物体轮廓反而被淹没了。这时候就该Canny边缘检测算法出场了。它在1986年被John Canny提出，到今天快四十年，依然是工业界和学术界最常用的边缘检测方案。这篇文章专门写给小白，我会把Canny背后的设计思路、五步算法原理全部掰开揉碎讲清楚，最后用OpenCV做完整实战，并分享这些年调参踩过的坑。
1. 先搞清楚：Sobel、Prewitt这些老前辈留下的坑，Canny是怎么填上的
Canny不是凭空冒出来的。它之前已经有一大堆边缘检测方法，其中最有名的是Sobel算子、Prewitt算子这些一阶微分算子。你想理解Canny，最好先知道这些前辈到底哪里不行，不然你根本看不懂Canny每一步在"补什么漏洞"。
1.1 一阶微分算子的局限：边缘为什么又粗又断
Sobel和Prewitt的核心思想非常简单：用两个方向的卷积核分别计算灰度在x方向和y方向的导数，然后把两个方向的梯度幅度合成起来。灰度变化剧烈的地方，梯度幅值就大，这就是边缘。
听起来很合理，但实际用起来有三个让人头疼的问题：
第一，边缘响应是"一条宽带"而不是"一条细线"。因为梯度计算本质上是求领域内的差分，一个真实边缘附近，多个像素都会有较大的梯度响应，输出结果里边缘像是被描粗了好几倍。做轮廓提取、尺寸测量时需要的是单像素宽的边缘，这种"宽条边缘"没法直接用。
第二，噪声点会被当成边缘激发出来。梯度算子天生对高频信号敏感，而噪声恰恰是高频的。如果图像本身有一点噪点，经过Sobel一算，噪声位置的梯度幅值经常和真实边缘一样高。你会发现输出图像上满屏都是细碎的亮点，根本分不清哪些是边缘、哪些是噪声。
第三，阈值非常难定。为了把梯度灰度图变成"是/否"的二值边缘图，你通常需要设一个阈值，大于阈值算边缘。可是阈值设高了，弱边缘直接断裂；设低了，噪声全涌进来。你在这张图上调好的阈值，换一张光照不同的图又废了。这个问题不是Sobel特有的，几乎所有一阶算子都踩在同一个坑里。
1.2 Canny的三大准则：好算法原来是有"验收标准"的
Canny这个人的厉害之处在于，他不是拍脑袋设计了一个滤波器，而是先把"好的边缘检测算法"变成了三个可以量化的数学标准：
- 检测准则：算法应该把真实的边缘都检测出来，不能漏检。
- 定位准则：检测出的边缘位置要尽量贴近真实边缘的中心，不能偏太多。
- 单响应准则：对于一条真实边缘，只输出一次响应，不能输出双线或多重响应。
这三条标准听起来就是大白话，但非常关键。你可以理解为：Canny先用数学语言把一个好算法应该满足的条件定义清楚，然后反推出一套组合流程。最后发现，工程上近似实现这三条标准的方案，就是"高斯平滑 + 梯度计算 + 非极大值抑制 + 双阈值检测 + 滞后边界跟踪"这一整套组合拳。
这也是Canny和Sobel、Prewitt最大的区别：Sobel只是"一个卷积算子"，而Canny是一套完整算法流程，每一个步骤都在解决上面提到的某一个具体痛点。
2. 整个算法长什么样：从输入灰度图到输出二值边缘，它是一套五步流水线
我见过很多新手学Canny第一件事就闷头看公式，结果看了大半天还是不知道这一步一步到底在干嘛。我的建议是反过来，先把整条流水线装进脑子里，搞清楚每个环节的输入输出，再回头抠细节。这样你后面看公式时，心里始终有一张地图。
2.1 五步流程总览
Canny边缘检测的完整流程可以分成下面五个阶段：
- 灰度化（如果输入是彩色图，需要先转成单通道灰度图）。
- 高斯滤波：对灰度图做平滑，抑制噪声。
- 计算梯度幅值与方向：常用Sobel算子计算每个像素的梯度强度以及梯度方向。
- 非极大值抑制（NMS）：沿梯度方向检查局部最大值，把非边缘的像素剔除，让边缘变成单像素宽的细线。
- 双阈值检测与滞后边界跟踪：用高低两个阈值筛选候选边缘，再从强边缘出发连接弱边缘，得到最终的完整二值边缘图。
我用一张表把这五步的输入输出和目的列出来，方便你后面对照理解：
| 步骤 | 输入 | 输出 | 核心目的 |
|---|---|---|---|
| 灰度化 | 彩色图 | 灰度图 | 把三通道降为单通道，简化计算 |
| 高斯滤波 | 灰度图 | 平滑后的灰度图 | 抑制噪声，避免噪声被当作边缘 |
| 梯度计算 | 平滑后图像 | 梯度幅值图 + 梯度方向图 | 定位灰度变化剧烈的区域 |
| 非极大值抑制 | 梯度幅值图 + 方向图 | 细化后的梯度幅值图 | 去掉宽边响应，保留局部极大值 |
| 双阈值+滞后跟踪 | 细化梯度图 | 二值边缘图 | 区分强弱边缘，连接成完整轮廓 |
2.2 为什么Canny是"流程"而不是"算子"
我在社区里经常看到有人把Canny也叫"Canny算子"，严格来说这个说法并不准确。Sobel算子、Prewitt算子、Laplacian算子都是真正的"算子"，它们做的事情就是用一个小矩阵（卷积核）对图像做一次卷积，输出一张新图。
但Canny不是，它更像一条"检测流水线"。你给它一张原始图，它内部会依次完成滤波、求导、抑制、阈值筛选、连通性分析等多个环节，最后输出的已经不是梯度灰度图，而是一张干净的0/255二值边缘图。
理解这一点非常重要，因为很多新手会拿着"算子"的思维去理解Canny，觉得它是某种复杂的卷积核，于是怎么也看明白。实际上你只需要记住：Canny是一整套方案，每个环节都有它的职责，相互配合才能出来理想效果。
2.3 一个直观的中间结果对照
为了让上面这张表更有体感，我描述一下你跑完每一步之后会看到什么：
- 原始灰度图：一张明暗变化的普通照片。
- 高斯滤波后的图：整张图像被"磨皮"了，细节和噪点都变得柔和。
- 梯度幅值图：亮的地方集中在物体轮廓附近，边缘看起来是白色粗线条，背景里还有一些星星点点的噪声亮点。
- 非极大值抑制后的图：粗线条变细了，变成贴近轮廓的单像素细线，大部分孤立噪声点被压掉。
- 双阈值跟踪后的最终图：背景干净，轮廓连续，只有真正构成物体边界的像素被保留。
如果你手边方便打开OpenCV跑一下，强烈建议把每一步的中间结果都显示出来看一遍。我当年第一次看到这套过程时，才真正意识到"原来前面每一步的牺牲和保留，都是在给最终结果做铺垫"。
3. 高斯滤波与梯度计算：先擦灰，再照X光
现在开始进入算法内部细节。前面那张流程表里，真正对最终效果起决定性作用的是高斯滤波、梯度计算这两个阶段。很多Canny的调参怪象，根源都出在这一步上。
3.1 高斯滤波：为什么第一步不是直接求梯度
你可以把梯度算子想象成一个"照X光的探伤设备"，它对一切高频变化都非常敏感：真实边缘是高频，噪声也是高频。如果你不做任何预处理，直接把拍到的图像扔给Sobel，X光片上的噪声和边缘会混在一起，谁也分不清谁。
高斯滤波的作用，是在求梯度之前先把噪声"压一压"。它用下面的高斯函数生成一个卷积核：
G(x, y) = (1 / (2πσ²)) · e^((-x² - y²) / (2σ²))
把这个核盖在图像上做加权平均，每个像素的新值由它周围的像素按照距离远近加权决定，越近权重越高。效果上，图像变得平滑，孤立噪点的强度被周围像素"稀释"。
这里有两个参数需要理解：一个是高斯核大小，比如3×3、5×5；另一个是σ（标准差）。σ越大，高斯分布越平坦，离中心远一点的像素也能获得较高的权重，模糊效果更强。模糊强了，噪声压制得干净，但真实边缘的定位精度也会下降，细小的弱边缘甚至会被直接抹掉。
所以高斯滤波是一把双刃剑。实际工程里我一般先固定核大小5×5，再在σ=1.0到1.5之间调整。如果图片本身噪点很少，σ取小一点更好，保留更多边缘细节；如果是从监控摄像头这类设备来的高噪声图像，σ往2.0方向拉也不奇怪。
3.2 用Sobel算子计算梯度幅值和方向
高斯平滑完成之后，图像依然是一张普通的灰度图，边缘虽然变柔和了，但还没有被"显影"出来。这一步要做的，是用Sobel算子找到每个像素位置灰度变化最剧烈的方向，以及这个方向上的变化强度。
Sobel有两个3×3卷积核：
Gx（水平方向梯度，对垂直边缘敏感）:
-1 0 +1 -2 0 +2 -1 0 +1Gy（垂直方向梯度，对水平边缘敏感）:
+1 +2 +1 0 0 0 -1 -2 -1把这两个核分别与图像做卷积，得到每个像素在x方向的梯度分量gx和y方向的梯度分量gy。在这个基础上，梯度幅值（变化强度）用勾股定理计算：
magnitude = sqrt(gx² + gy²)
梯度方向用反正切函数计算：
theta = arctan(gy / gx)
有一点必须理解透彻：theta表示的是图像灰度变化最快的方向，也就是梯度方向，而边缘本身的方向和梯度方向是垂直的。比如一条竖直边缘，灰度是左右变化的，梯度方向是水平方向（0°），边缘方向才是垂直。很多小白在这里绕晕，后面看非极大值抑制的逻辑就会糊涂。
另外，工程上为了减少计算量，常常用绝对值近似替代开平方运算：magnitude ≈ |gx| + |gy|。OpenCV的Canny函数里有个L2gradient参数，默认False就是走这种近似。说句实在话，这个近似对结果影响并没有想象中那么大，通常只是少部分弱边缘的取舍差异。
3.3 梯度方向量化：为下一步"瘦身"做准备
梯度方向theta是一个角度值，范围理论上在-90°到90°之间（或者归一化到0°到180°）。但图像是离散的，我们并不能从一个像素出发朝任意角度比较，所以Canny算法会把梯度方向量化成四个主方向：
| 归一化角度范围 | 量化方向 | 梯度方向描述 |
|---|---|---|
| 0°或180°附近 | 0° | 水平方向（左右） |
| 45°附近 | 45° | 右上-左下对角 |
| 90°附近 | 90° | 垂直方向（上下） |
| 135°附近 | 135° | 右下-左上对角 |
比如某个像素的theta是80°，距离90°最近，就把它当成垂直方向处理；theta是30°，就当成45°方向处理。这种量化带来了计算上的简化，代价是精度略微下降，但工程上完全够用。
我在实际项目里对这一步的感受是：梯度方向的质量会直接影响后面非极大值抑制的效果。如果前一阶段高斯滤波参数没调好，梯度方向会非常杂乱，量化之后整天把左上角方向误判成45°方向，结果就是边缘出现很多毛刺。所以如果你发现Canny结果边缘不够干净，先回头检查高斯滤波，而不是马上调阈值。
4. 非极大值抑制：把"山脊"削成"山脊线"
做完梯度计算，你手上的梯度幅值图里，边缘依然是亮闪闪的一大块区域。非极大值抑制（Non-Maximum Suppression，NMS）就是用来解决这个问题的——把宽边削成细线。这是Canny和很多其他检测算法拉开差距的关键一步。
4.1 梯度幅值图上，边缘其实是一道"山脊"
先建立一个图像直觉：如果沿着垂直于边缘的方向切开一条口子，把梯度幅值画成一条曲线，你会发现它像一座山的横截面。山的最高点对应边缘中心，向两侧延伸时幅值逐渐下降。换句话说，一个理想边缘在梯度图上不是一条"线"，而是一条有一定宽度的"脊"。
我们要提取的其实是这条山脊的"脊线"，也就是山的最高点连成的线。如何处理？简单粗暴的办法是把非极值的像素直接清零，只保留那些在梯度方向上真正取得局部最大值的像素。
"非极大值抑制"这个名字，翻译成大白话就是：如果我旁边有两个邻居都比我高，那我就不是极大值，对不起，你可以把你置成0了。
4.2 在3×3邻域里怎么比较才公平
问题来了：怎么判断一个像素是不是局部最大值？Canny的做法是，沿着这个像素的梯度方向，和它前后的邻居比。
前面我们把梯度方向量化成了0°、45°、90°、135°四个方向，现在正好用上。以中心像素为参照，四种情况分别是：
| 量化梯度方向 | 与中心像素比较的两个邻居 | 对应边缘大致走向 |
|---|---|---|
| 0° | 左邻居、右邻居 | 垂直边缘 |
| 45° | 右上邻居、左下邻居 | 左上到右下走向的边缘 |
| 90° | 上邻居、下邻居 | 水平边缘 |
| 135° | 右下邻居、左上邻居 | 右上到左下走向的边缘 |
要求很简单：如果中心像素的梯度幅值同时大于等于两侧邻居的值，就保留它；否则把它压成0。
这一步做完，边缘响应的宽度大幅缩减，从原来的"社区板砖"变成"一条细线"。同时大量孤立噪声点因为周围没有形成连续的极大值链，也被顺手清理掉。
4.3 手算一个数值例子
假设一个3×3区域的梯度幅值如下，中心像素的梯度方向被量化为0°（水平）：
30 80 35 60 120 70 20 90 40中心像素的值是120，按照0°方向，需要和左邻居80、右邻居70比较。120确实大于两者，所以这个像素被保留为候选边缘点。
再换一种情况，中心像素的值如果变成75，左邻居80、右邻居70，那它就没有比左邻居大，只能被置0。这就是"抑制"字面的含义。
非极大值抑制虽然原理简单，但它保证了边缘输出的唯一性，也是对Canny"单响应准则"的直接落实。我在做工业零件尺寸测量时，几乎完全依赖这个特性，因为只有单像素宽且定位准的边缘，才能在做亚像素测量时保证重复精度。
5. 双阈值检测与滞后边界跟踪：让边缘从碎片连成曲线
非极大值抑制完成后，剩下的问题就是：这些细线里，哪些是真正的轮廓，哪些依然是残留的噪声小节？如果让你来设计，你会怎么分？很多人第一反应是设一个阈值。但阈值怎么设都别扭——这就是Canny最有设计感的部分。
5.1 单阈值为什么说不清楚边缘
用一个阈值把梯度幅值分成"是边缘"和"不是边缘"两类，看起来简单，实际操作会陷入两难：
如果把阈值设得偏高，只有强度很高的边缘能被保留，真实场景里那些对比度较弱的轮廓片段就会断成一截一截。比如一个物体在深色背景下有一段阴影，这段边缘的梯度强度天生比较低，高阈值直接把它漏掉了。
如果把阈值设得偏低，噪声、纹理、光照不均造成的伪边缘又全部混进来，输出图上到处是琐碎的白点，后处理反而更头疼。
更麻烦的是，真实边缘的强度并不均匀。一条完整轮廓可能大部分位置都很清晰，只有一小段因为光照或者遮挡变得模糊。一个全局阈值根本拿这种"强弱混合"的情况没办法。
5.2 双阈值：把边缘分成强、弱两档再分别对待
Canny的聪明之处是用了高低两个阈值：
- 高阈值（TH）：梯度幅值大于TH的像素，直接认定为强边缘，置信度最高。
- 低阈值（TL）：梯度幅值在TL和TH之间的像素，标记为弱边缘，属于"待定"状态。
- 梯度幅值低于TL的像素，直接丢弃。
- 一般经验上TH和TL的比例取2:1到3:1比较常见，比如OpenCV里经典的Canny(img, 50, 150)，低阈值50，高阈值150。
这就把问题从"一刀切"变成了"分档处理"。强边缘是确定无疑的轮廓骨架，弱边缘是有嫌疑的候选者。
5.3 滞后边界跟踪：弱边缘只有在"靠得住"时才会被挽救
分完强弱，最后一步是决定弱边缘的去留。Canny采用了一种叫滞后边界跟踪（Hysteresis Thresholding）的策略，规则也非常直观：
遍历整张图，从每一个强边缘像素出发，检查它8邻域范围内的弱边缘像素。如果发现弱边缘与强边缘相连，就把它升级为强边缘。这个过程可以迭代进行，因为被升级的像素周围可能还有更多弱边缘，继续向外延伸，直到没法再连接为止。
最终处理结束后，仍然保持弱边缘状态的孤立像素，因为没有和任何高置信度的强边缘相连，被视为噪声残留，统一清零。
用一句话概括这个逻辑：弱边缘本身不可信，但"被强边缘带出来的弱边缘"非常可信。真实世界中，物体轮廓的明暗过渡本身就存在强弱变化，弱的一小段只要连着强的一段，大概率是同一轮廓的延续，值得挽救；而孤立存在的弱边缘，多半是噪声，宁可错杀也不能留着碍事。
这一步做完的输出，就是Canny的最终产物：一张背景干净、轮廓连续、单像素宽的二值边缘图。
6. OpenCV实战与调参心得
原理讲完了，该动手了。这一节我用OpenCV做完整实战，先看看Canny在代码层有多简单，然后再给你一套我这些年总结的调参流程和常见坑，让你少走弯路。
6.1 一行代码跑通Canny
OpenCV已经把Canny封装得非常简洁，核心代码只需要一行：
import cv2 img = cv2.imread("demo.jpg", cv2.IMREAD_GRAYSCALE) edges = cv2.Canny(img, threshold1=50, threshold2=150) cv2.imshow("Canny Result", edges) cv2.waitKey(0) cv2.destroyAllWindows()这里的threshold1是低阈值，threshold2是高阈值，对应前面讲的TL和TH。还有一个容易忽略的细节：如果输入是彩色图，最好先转成灰度图，否则OpenCV虽然能处理三通道输入，但内部会分别对每个通道做Canny再合并，输出结果和灰度图版本差异很大，行为不好预料。
cv2.Canny还有几个可选参数，例如apertureSize用于指定Sobel核大小，默认3；L2gradient设为True时使用更精确的梯度幅值计算。小白阶段不需要动它们，默认值足够用。
6.2 手写Canny核心步骤，把原理"焊"在脑子里
有时候你不亲手把流程写一遍，总觉得原理是飘的。下面这份简化版Python代码，把Canny的核心步骤按顺序拆开，你可以跑一下看看每一阶段的表现。注意这段代码的主要作用是帮助理解，生产环境千万别用它替代cv2.Canny，效率差几个数量级。
import cv2 import numpy as np # 读取灰度图 img = cv2.imread("demo.jpg", cv2.IMREAD_GRAYSCALE) # 1. 高斯滤波 blur = cv2.GaussianBlur(img, (5, 5), 1.2) # 2. 计算梯度幅值和方向 gx = cv2.Sobel(blur, cv2.CV_64F, 1, 0, ksize=3) gy = cv2.Sobel(blur, cv2.CV_64F, 0, 1, ksize=3) mag = np.sqrt(gx**2 + gy**2) angle = np.degrees(np.arctan2(gy, gx)) % 180 # 3. 非极大值抑制 nms = mag.copy() for i in range(1, mag.shape[0] - 1): for j in range(1, mag.shape[1] - 1): a = angle[i, j] if 0 <= a < 22.5 or 157.5 <= a <= 180: neighbors = [mag[i, j - 1], mag[i, j + 1]] elif 22.5 <= a < 67.5: neighbors = [mag[i - 1, j + 1], mag[i + 1, j - 1]] elif 67.5 <= a < 112.5: neighbors = [mag[i - 1, j], mag[i + 1, j]] else: neighbors = [mag[i - 1, j - 1], mag[i + 1, j + 1]] if mag[i, j] < max(neighbors): nms[i, j] = 0 # 4. 双阈值标记 low, high = 40, 100 strong = 255 weak = 75 res = np.zeros_like(nms, dtype=np.uint8) res[nms >= high] = strong res[(nms >= low) & (nms < high)] = weak # 5. 滞后边界跟踪：从强边缘出发连接弱边缘 changed = True while changed: changed = False for i in range(1, res.shape[0] - 1): for j in range(1, res.shape[1] - 1): if res[i, j] == strong: patch = res[i-1:i+2, j-1:j+2] if np.any(patch == weak): res[i-1:i+2, j-1:j+2][patch == weak] = strong changed = True # 清除孤立弱边缘 res[res == weak] = 0这份代码每一步都能和前面讲的原理对照起来。尤其是非极大值抑制那段，你只要把中间结果nms和mag分别显示出来，就会发现边缘从"粗带"变"细线"的过程有多直观。
6.3 调参方法论：从一组基础参数讲到场景适配
很多新手拿到图就乱试参数，试了半天也不知道问题出在哪。我一般按下面这个顺序调，思路清晰很多：
第一步，先把低阈值设为50、高阈值设为150跑一遍，观察输出。这组参数在大多数普通照片上都能给出相对均衡的结果。
第二步，看边缘完整性。如果轮廓断裂严重，优先考虑降低高阈值，或者把低、高阈值的比例从1:3降到接近1:2。断裂通常是强边缘条件太苛刻，弱边缘又没有机会被连接进去。
第三步，看噪声多少。如果背景里有大量细碎白点，不要急着把低阈值往上拉，先加大高斯滤波的σ，比如从1.2调到1.8，把噪点磨掉一层再回来调阈值。噪声残留问题在Canny里往往根源在滤波阶段。
第四步，关注你真正关心的场景。比如做工业零件边缘提取时，光照可空，边缘对比度高，我可以把高阈值设到180、低阈值调到60，追求干净的背景；做室外自然图像的边缘检测，边缘强度分布很宽，反而是低阈值保持在40左右、高阈值110左右更容易保住轮廓的连续性。
我还习惯把参数和输出记录在小本子上。同一张图，10组不同参数叠在一起看，很快就能培养出"看一眼图像质量，估出合适参数范围"的手感。
6.4 对比实测：Sobel、Prewitt、Laplacian、Canny放在同一张图上
参数说完了，咱们做个横向对比，用同一张含噪声的零件图片分别跑四种边缘检测方法，感受会更直观：
| 方法 | 属于哪类 | 是否有内置平滑 | 输出形式 | 边缘宽度 | 最主要的痛点 |
|---|---|---|---|---|---|
| Sobel | 一阶微分 | 无 | 梯度灰度图 | 粗 | 噪声敏感，边缘宽 |
| Prewitt | 一阶微分 | 无 | 梯度灰度图 | 粗 | 和Sobel接近，抗噪略差，但计算更简单 |
| Laplacian | 二阶微分 | 无 | 过零灰度图 | 细但抖 | 对噪声极度敏感，容易出现双边缘 |
| Canny | 多阶段流程 | 高斯滤波 | 干净的二值边缘图 | 单像素 | 参数多，需要理解阈值逻辑 |
Sobel和Prewitt其实非常相似，两者卷积核的区别只是Sobel对中心像素加权更大，抗噪能力好一点点，实现的边缘定位也稍准。Laplacian因为是对二阶导数的近似，定位响应非常集中，但它同时会放大高频噪声，输入图像稍微有点脏，结果简直没法看。Canny则通过前置高斯滤波和后续的双阈值连接，把噪声问题处理得最干净，最终边缘也是标准化的二值细线，很适合作为后续轮廓提取、特征匹配的输入。
6.5 四个容易踩的坑，每个我都踩过
最后聊聊新手期最容易翻车的几个地方。这些坑在文档里多半不会写，但实际用起来频繁遇到。
第一个坑：对彩色图直接调Canny。OpenCV的Canny支持三通道输入，但它在内部会分别处理每个通道再合并，最终结果的边缘位置和强度跟你想的完全不一样。正确做法是先用cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)转灰度，如果觉得灰度图丢信息，可以先把彩色图拍平到Lab空间取L通道，再进Canny。
第二个坑：把阈值写反。OpenCV里cv2.Canny的第一个阈值是低阈值，第二个是高阈值。可是很多资历不浅的程序员也会下意识把大的写在前头，因为平时习惯"参数从左到右越来越小"的直觉。结果是弱边缘被当成强边缘，噪声全被连出来，画面惨不忍睹。建议在代码里显式加个注释：threshold1=50, threshold2=150。
第三个坑：边缘断裂后无脑降阈值。前面说过，断裂可能是强阈值太高，也可能是高斯滤波太强把小细节抹了，还可能是噪声干扰导致梯度方向量化出现抖动。不排查原因直接降阈值，往往把背景噪声也一起放进来。
第四个坑：忽略了L2gradient的影响。在实时性或嵌入式项目里，L2gradient=False用绝对值近似确实快，但这个模式下有些弱边缘的幅值会被低估，导致边缘断裂率升高。如果你发现同样的双阈值参数，在PC上调得好好的，换到嵌入式FPGA之类的硬件加速平台结果就变了，先检查是不是近似算法和精确算法的差异。
我在实际项目里最常见的工作流，是先用大一点的σ把图像磨干净，再设50/150的阈值看整体，然后根据目标区域连续性和背景清洁度各自微调，最后再决定要不要开L2gradient。这个流程虽然朴素，但能覆盖绝大多数Canny使用场景，也是一个比较稳妥的起步路径。
