先帮你梳理下当前遇到的核心问题，从Canny算法的标准逻辑出发一步步拆解：

一、Otsu阈值的计算对象：必须用梯度幅值图，而非灰度图 #

你纠结的“用灰度图还是梯度图算阈值”，答案非常明确：Canny的双阈值是针对边缘的梯度强度设定的，必须基于梯度幅值图来计算Otsu阈值。

为什么？因为灰度图的阈值描述的是像素明暗的分界，和边缘的“变化强度”（梯度幅值）完全不是一个维度。你提到梯度图的像素值很低（比如28、15），这是正常的——梯度幅值本身是像素变化率的量化，数值范围远小于灰度图的0-255。如果用灰度图算Otsu阈值，得到的数值会远高于梯度幅值的最大值，直接把几乎所有边缘都过滤掉，自然看不到有效结果。

二、你的梯度计算与非极大值抑制逻辑存在偏差 #

看你的代码，你用4个方向的高斯一阶导数分别生成梯度图，再对每个方向做NMS——这和标准Canny的流程不符，也是结果不理想的关键：

标准Canny的梯度计算流程应该是： #

1. 先计算x方向和y方向的高斯一阶导数核（用你的deroGauss函数，angle=0得到x方向核，angle=90得到y方向核）；
2. 用这两个核分别卷积双边滤波后的图像，得到dx（水平梯度）和dy（垂直梯度）；
3. 计算梯度幅值：mag = np.sqrt(dx**2 + dy**2)，然后归一化到0-255区间：mag = (mag / mag.max()) * 255（务必用浮点型计算，避免整数溢出）；
4. 计算梯度角度：angle = np.arctan2(dy, dx) * 180 / np.pi，再把角度映射到0-180°的四个主方向（0°、45°、90°、135°）。

你的NMS函数的问题： #

你当前的nonmaxsup是针对单个方向的梯度图做处理，但标准NMS应该基于梯度幅值图和角度图，对每个像素判断其梯度方向上的邻域像素是否比它大：

• 比如梯度角度在0°±22.5°，就比较当前像素的左右邻域幅值；
• 角度在45°±22.5°，比较右上和左下邻域；
• 以此类推，只有当前像素是该方向上的极大值时，才保留其幅值，否则置0。

你用xshift和yshift取整的方式会丢失角度精度，导致NMS后边缘断裂或不准确。

三、双阈值与滞后处理的正确操作 #

1. 阈值计算：基于归一化后的梯度幅值图（0-255）用Otsu得到高阈值T_high，低阈值通常设为T_high * 0.5或T_high * 0.3（Canny的经典经验值），而非只用单个Otsu阈值；
2. 滞后处理：
   • 先标记所有幅值高于T_high的像素为强边缘（直接保留）；
   • 遍历所有强边缘像素，检查其8邻域内的像素：如果某个像素幅值低于T_high但高于T_low，且和强边缘连通，就标记为弱边缘并加入强边缘集合；
   • 最后只保留强边缘和连通的弱边缘，其余像素置0。

四、为什么cv2.Canny效果更好？ #

OpenCV的Canny实现做了很多细节优化：

• 梯度计算用了优化的Sobel算子（本质是高斯一阶导数的近似，计算更快且精度足够）；
• NMS用了线性插值来获取邻域的精确幅值，而非简单取整；
• 阈值处理时做了边缘填充、角度修正等细节，避免边缘丢失；
• 内部对梯度幅值的范围做了自适应处理，不需要手动归一化也能保持稳定。

调试小建议 #

1. 单独输出双边滤波后的图像，确认平滑效果（保留边缘同时减少噪声）；
2. 输出dx、dy和梯度幅值图，查看是否有明显的边缘轮廓（如果梯度幅值图几乎全黑，说明梯度计算有问题）；
3. 测试NMS后的图像，看是否能得到清晰的单像素边缘；
4. 打印Otsu计算的阈值，确认其在梯度幅值的0-255范围内。

内容的提问来源于stack exchange，提问作者Siladittya