MATLAB 亚像素边缘检测：窗口大小设置与应用

在该MATLAB代码中，窗口大小通过变量'window_size' 进行设置，其值为 5。窗口大小用于确定计算梯度和亚像素边缘位置时所使用的窗口范围。

这段代码首先读取图像并将其转换为灰度图。接着，使用Canny算法进行边缘检测，得到初始的边缘像素点。之后，通过'window_size' 定义的窗口大小，计算每个边缘像素点周围的梯度幅值。

代码中的'gradient' 函数计算图像的梯度，得到水平和垂直方向的梯度值。然后，使用'fspecial' 函数生成一个高斯核，并将其应用于窗口内的梯度幅值，计算加权均值。最后，根据梯度幅值和加权均值，利用'subpixel_edge_position' 函数计算亚像素边缘位置。

'subpixel_edge_position' 函数根据窗口内的梯度幅值和加权均值，通过高斯曲线拟合来计算亚像素边缘位置。通过将窗口内的梯度幅值映射到高斯曲线，并找到最大值的位置，就可以得到亚像素边缘位置。

窗口大小的选择会影响亚像素边缘检测的精度。过小的窗口会导致检测结果不够平滑，而过大的窗口则会导致检测结果丢失细节。因此，需要根据实际情况选择合适的窗口大小。

% 读取图像 img = imread('2 (6).jpg'); % 将图像转为灰度图 gray_img = rgb2gray(img); % 使用Canny算法进行边缘检测 canny_img = edge(gray_img, 'canny'); % 设置窗口大小 window_size = 5; % 计算图像梯度 [dx, dy] = gradient(double(gray_img)); gradient_magnitude = sqrt(dx.^2 + dy.^2); % 初始化亚像素边缘坐标 subpixel_edges = zeros(size(gray_img)); % 对每个边缘像素进行精确定位 for i = 1:size(canny_img, 1) for j = 1:size(canny_img, 2) if canny_img(i, j) == 1 % 获取窗口内的梯度幅值 window_gradient = gradient_magnitude(max(i-window_size, 1):min(i+window_size, end), max(j-window_size, 1):min(j+window_size, end)); % 计算窗口内梯度幅值的加权均值 weights = fspecial('gaussian', size(window_gradient), 2); weighted_gradient = window_gradient .* weights; weighted_sum = sum(weighted_gradient(:)); weighted_mean = weighted_sum / sum(weights(:)); % 通过高斯曲线拟合计算亚像素边缘位置 subpixel_edges(i, j) = subpixel_edge_position(window_gradient, weighted_mean); end end end % 显示亚像素边缘检测结果 subplot(121); imshow(canny_img); subplot(122); imshow(subpixel_edges); function subpixel_position = subpixel_edge_position(window_gradient, weighted_mean) % 计算窗口内梯度幅值的位置 [~, max_index] = max(window_gradient(:)); [row, col] = ind2sub(size(window_gradient), max_index); % 计算亚像素边缘位置 if row == 1 || row == size(window_gradient, 1) subpixel_position = row; else % 计算亚像素边缘位置的偏移量 offset = (window_gradient(row+1, col) - window_gradient(row-1, col)) / (2 * (window_gradient(row+1, col) - 2 * window_gradient(row, col) + window_gradient(row-1, col))); subpixel_position = row + offset; end % 将亚像素边缘位置映射到原图像坐标 subpixel_position = subpixel_position - (size(window_gradient, 1) - 1) / 2 + weighted_mean; end