边缘检测与图像分割：经典算法MATLAB实现与优化

1. 边缘检测与图像分割技术概述

在计算机视觉和数字图像处理领域，边缘检测和图像分割是两项基础而关键的技术。边缘检测用于识别图像中亮度或颜色急剧变化的区域，这些区域通常对应着物体的边界或场景中的重要特征。而图像分割则是将图像划分为若干具有特定意义的区域，为后续的图像分析和理解奠定基础。

我从事图像处理工作已有八年时间，从最初的学术研究到现在的工业应用，边缘检测算法始终是项目中的"常客"。在实际工程中，Roberts、Prewitt和Sobel这类一阶算子因其计算效率高而常用于实时系统；Marr-Hildreth（LoG）算法在需要精确边缘定位的场景表现优异；而Canny算法则因其完整的边缘检测流程成为许多应用的首选。至于Otsu方法，它是我处理显微图像和医学影像时的"秘密武器"，能够自动确定最佳阈值，大大提高了工作效率。

本文将结合MATLAB代码实现，详细解析这些经典算法的原理、实现细节和适用场景。无论你是刚入门图像处理的学生，还是需要快速实现原型系统的工程师，这些内容都能为你提供实用参考。我们将从基础理论出发，逐步深入到代码实现和参数调优，最后分享一些我在实际项目中积累的经验技巧。

2. 边缘检测算法原理与实现

2.1 一阶微分算子

一阶微分算子是边缘检测中最基础也最常用的方法，它们通过计算图像在x和y方向上的梯度来检测边缘。这类算子的特点是计算简单、速度快，适合对实时性要求高的应用。

Roberts交叉算子是最早的边缘检测算子之一，由Lawrence Roberts于1963年提出。它使用两个2×2的卷积核：

code复制Gx = [+1  0]   Gy = [0 +1]
     [ 0 -1]       [-1  0]

在MATLAB中实现Roberts算子：

matlab复制function [edge_mag] = roberts_edge(img)
    % 转换为灰度图像
    if size(img,3) == 3
        img = rgb2gray(img);
    end
    
    % Roberts算子核
    roberts_x = [1 0; 0 -1];
    roberts_y = [0 1; -1 0];
    
    % 卷积计算梯度
    gx = imfilter(double(img), roberts_x, 'replicate');
    gy = imfilter(double(img), roberts_y, 'replicate');
    
    % 计算梯度幅值
    edge_mag = sqrt(gx.^2 + gy.^2);
    
    % 归一化
    edge_mag = uint8(255 * edge_mag / max(edge_mag(:)));
end

注意：Roberts算子对噪声敏感，在实际应用中通常需要先进行高斯平滑。此外，由于使用小尺寸核，它更适合检测锐利的边缘。

Prewitt算子改进了Roberts算子，使用3×3的卷积核，对噪声的鲁棒性更好：

code复制Gx = [-1 0 +1]   Gy = [-1 -1 -1]
     [-1 0 +1]       [ 0  0  0]
     [-1 0 +1]       [+1 +1 +1]

Prewitt算子的MATLAB实现：

matlab复制function