基于Canny算子的图像边缘检测系统

资 源 简 介

本项目旨在开发一个基于MATLAB的图像处理系统，专门用于提取数字图像中的轮廓边缘。系统核心采用Canny边缘检测算法，该算法被公认为边缘检测的标准算法之一，具有信噪比高、定位精度准、单边缘响应好等优点。处理流程主要包含以下四个步骤：1. 图像预处理：将输入的彩色图像转换为灰度图像，并使用高斯滤波器对图像进行平滑处理，以消除高频噪声的干扰；2. 梯度计算：利用Sobel算子或其他微分算子计算图像中每个像素点的梯度幅值和方向，从而确定边缘的强度和走向；3. 非极大值抑制（NMS）：对梯度幅值图像进行细化处理，仅保留梯度方向上的局部最大值点，剔除伪边缘，从而获得单像素宽度的细边缘；4. 双阈值检测与边缘连接：设定高低两个阈值，高于高阈值的像素点被确认为强边缘，低于低阈值的被剔除。介于两者之间的弱边缘像素，如果与强边缘相连则保留，否则剔除。这种滞后阈值处理能有效抑制虚假边缘并连接断裂的边缘。该系统能够直观地展示图像的结构信息，广泛应用于目标识别、计算机视觉、医学影像分析及工业缺陷检测等领域。

详 情 说 明

基于Canny算子的图像边缘检测系统

项目介绍

本项目是一个基于MATLAB环境开发的图像处理系统，旨在从数字图像中精确地提取边缘轮廓。系统核心算法采用经典的Canny边缘检测算子，这是一种多阶段的算法，能够有效检测广泛的边缘特性。该项目不仅调用了MATLAB的基础矩阵运算功能，还手动实现了Canny算法的各个核心步骤（如高斯核生成、非极大值抑制、双阈值滞后处理等），展示了完整的边缘检测底层逻辑。

该系统特别适合用于展示图像结构信息，通过精确的滤波、梯度计算和细化处理，最终输出单像素宽度的清晰二值化边缘图像。

主要功能特性

• 鲁棒的图像读取机制：系统优先读取内置测试图像，若读取失败，能够自动生成基于正弦/余弦波函数的合成图像进行测试，保证程序在任何环境下均可运行。
• 完整的算法流水线：实现了从彩色转灰度、高斯滤波平滑、Sobel梯度计算、非极大值抑制到滞后阈值处理的标准Canny全流程。
• 自适应加权灰度转换：不直接调用工具箱转换函数，而是采用标准的亮度加权公式将RGB转换为灰度。
• 手动核生成与卷积：根据设定的Sigma值和核大小动态生成高斯卷积核，而非使用预设模板。
• 方向量化的非极大值抑制：基于梯度方向将边缘分为四个主要方向（水平、垂直、两个对角线）进行细化，有效剔除模糊边缘。
• 双阈值与边缘连接（滞后处理）：采用强弱双阈值策略，并通过栈（Stack）结构的迭代算法实现边缘连接，避免了递归调用可能导致的溢出问题。
• 全过程可视化：在一个窗口内分块显示原始图像、高斯平滑图、梯度幅值图、NMS结果、最终边缘图以及原图与结果的融合对比图，便于分析每一步的处理效果。

系统要求

• MATLAB R2016a 或更高版本（代码中使用了 imfuse 和 conv2 等基础函数）。
• Image Processing Toolbox（仅用于辅助显示和读取，核心算法逻辑为原生实现）。

算法实现细节与逻辑分析

本项目的主程序文件 main.m 包含一个主入口函数和多个底层辅助函数，具体实现逻辑如下：

1. 图像预处理与环境初始化

程序启动时首先清理工作区。在图像读取阶段，系统尝试加载 peppers.png。如果文件不存在，系统通过 meshgrid 和三角函数生成一张包含平滑波纹的合成图像。随后，利用加权平均法（R:0.2989, G:0.5870, B:0.1140）将图像转换为双精度灰度图，为后续数值计算奠定基础。

2. 高斯滤波平滑 (Gaussian Smoothing)

为了抑制高频噪声对梯度计算的影响，代码中定义了 kernelSize = 5 (5x5窗口) 和 sigma = 1.4。

• 核心逻辑：通过自定义函数依据高斯分布公式 $e^{-(x^2+y^2)/(2sigma^2)}$ 生成高斯核，并进行归一化处理确保核系数之和为1。
• 卷积操作：使用了零填充（Zero Padding）处理图像边界，并利用MATLAB内置的高效 conv2 函数进行卷积运算，得到平滑后的图像。

3. 梯度计算 (Sobel Gradient)

在平滑图像的基础上，利用Sobel算子检测边缘强度和方向。

• 算子定义：分别定义了X方向和Y方向的3x3 Sobel卷积核。
• 计算过程：分别对图像进行卷积得到水平梯度 $G_x$ 和垂直梯度 $G_y$。
• 幅值与方向：

* 梯度幅值通过欧几里得距离公式 $sqrt{G_x^2 + G_y^2}$ 计算。 * 梯度方向由 atan2 函数计算，并转换为角度制，用于后续的非极大值抑制。

4. 非极大值抑制 (Non-Maximum Suppression, NMS)

这是细化边缘的关键步骤，目的是将宽边缘变为单像素宽的锐利边缘。

• 方向量化：将每个像素点的梯度方向（归一化到0-180度）量化为四个主要方向：0度（水平）、45度（对角）、90度（垂直）、135度（反对角）。
• 抑制逻辑：对于每个像素，检查其在梯度方向上的两个邻域像素（例如，若梯度方向为0度，则比较左右相邻像素）。如果当前像素的梯度幅值不是这三个点中的最大值，则将其幅值置为0（抑制）；否则保留。

5. 双阈值检测与边缘连接 (Hysteresis Thresholding)

最后一步通过双阈值算法确定最终边缘，去伪存真。

• 阈值设定：定义了相对比例，高阈值为最大梯度的0.15倍，低阈值为高阈值的0.05倍。
• 分类：

* 强边缘（大于高阈值）：直接确认为边缘（赋值255）。 * 弱边缘（介于两者之间）：暂定为候选边缘（赋值25）。 * 非边缘（低于低阈值）：直接剔除（赋值0）。

• 边缘连接（滞后）：采用8连通域分析。代码使用了一个显式的栈结构（Stack）来追踪强边缘。对于每一个强边缘点，检查其8个邻域像素，如果邻域中有弱边缘点，则将该弱边缘升级为强边缘，并将其加入栈中继续搜索。这一过程迭代进行，直到没有新的弱边缘可以被连接。未被连接的弱边缘最终被丢弃。

6. 结果输出

最终生成的二值图像中，1表示边缘，0表示背景。程序通过 subplot 将六个阶段的图像（原图、平滑、梯度、NMS、最终结果、融合对比）展示在同一窗口中，直观体现算法各步骤的作用。

使用方法

1. 将代码保存为 main.m 文件。
2. 确保MATLAB当前工作路径包含该文件。
3. 在MATLAB命令行窗口输入 main 并回车。
4. 等待程序运行，系统将弹出一个图形窗口显示处理流程和最终的边缘检测结果。