MATLAB边缘检测与图像分割算法实战指南

1. 边缘检测与图像分割：从理论到MATLAB实战

在计算机视觉和图像处理领域，边缘检测和图像分割是两项基础但至关重要的技术。它们构成了许多高级视觉任务的前置步骤，比如目标识别、医学图像分析和自动驾驶等。本文将深入探讨五种经典边缘检测算法（Roberts、Prewitt、Sobel、Marr-Hildreth和Canny）以及Otsu图像分割方法，并附上可直接运行的MATLAB实现代码。

边缘检测的核心思想是识别图像中亮度或颜色发生剧烈变化的区域，这些区域通常对应着物体的边界。而图像分割则是将图像划分为若干有意义的区域，Otsu方法通过自动确定最佳阈值来实现这一目标。掌握这些算法不仅能帮助你理解更复杂的计算机视觉系统，也能在实际项目中快速解决许多图像处理问题。

2. 边缘检测算法原理与比较

2.1 基础概念与数学原理

边缘检测本质上是一阶或二阶导数的离散化计算过程。在连续情况下，图像的边缘对应于灰度函数的突变点，即导数绝对值较大的位置。在离散图像中，我们使用卷积核（也称为算子）来近似这些导数运算。

一阶导数方法寻找梯度的局部最大值，二阶导数方法则寻找零交叉点。梯度向量的模和方向分别表示为：

code复制|∇f| = √(Gx² + Gy²)
θ = arctan(Gy/Gx)

其中Gx和Gy分别是x和y方向的梯度近似值。

2.2 Roberts算子：轻量高效的边缘检测

Roberts算子是最早的边缘检测算法之一，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]

MATLAB实现代码：

matlab复制function [edge_img] = roberts_edge_detection(img)
    % 转换为灰度图像
    if size(img,3) == 3
        img = rgb2gray(img);
    end
    
    % Roberts算子
    kernel_x = [1 0; 0 -1];
    kernel_y = [0 1; -1 0];
    
    % 卷积计算
    gx = conv2(double(img), kernel_x, 'same');
    gy = conv2(double(img), kernel_y, 'same');
    
    % 计算梯度幅值
    edge_img = sqrt(gx.^2 + gy.^2);
    
    % 归一化
    edge_img = uint8(255 * edge_img / max(edge_img(:)));
end

注意：Roberts算子对噪声敏感，适合处理相对干净的高对比度图像。在实际应用中，通常需要先进行高斯模糊等平滑处理。

2.3 Prewitt算子：方向敏感的边缘检测

Prewitt算子使用更大的3×3卷积核，能更好地抑制噪声：

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

Prewitt算子在MATLAB中的实现与Roberts类似，只需更换卷积核。它的主要优势是能分别检测水平和垂直方向的边缘，适合需要方向信息的应用场景。

2.4 Sobel算子：平衡性能与效果的标准选择

Sobel算子是对Prewitt的改进，增加了中心像素的权重：

code复制Gx = [-1 0 +1]   Gy = [-1 -2 -1]
     [-2 0 +2]       [ 0  0  0]
     [-1 0 +1]       [+1 +2 +1]

MATLAB实现示例：

matlab复制function [edge_img, dir] = sobel_edge_detection(img, threshold)
    % 默认阈值
    if nargin < 2
        threshold = 0.1;
    end
    
    % 转换为灰度
    if size(img,3) == 3
        img = rgb2gray(img);
    end
    img = double(img);
    
    % Sobel算子
    kernel_x = [-1 0 1; -2 0 2; -1 0 1];
    kernel_y = [-1 -2 -1; 0 0 0; 1 2 1];
    
    % 卷积计算
    gx = conv2(img, kernel_x, 'same');
    gy = conv2(img, kernel_y, 'same');
    
    % 计算梯度幅值和方向
    edge_img = sqrt(gx.^2 + gy.^2);
    dir = atan2(gy, gx);
    
    % 应用阈值
    max_val = max(edge_img(:));
    edge_img = edge_img >= (threshold * max_val);
    e