基于边界分割技术的硬币图像分割实战：从MATLAB coins.png到精准边缘检测

1次阅读

没有评论

共计 1809 个字符，预计需要花费 5 分钟才能阅读完成。

在工业检测或货币分类场景中，传统阈值分割方法处理硬币图像时经常遇到两个典型问题：

边缘锯齿现象：全局阈值会将硬币边缘像素粗暴归类为前景或背景，导致本应光滑的圆形边界出现阶梯状毛刺
粘连区域误判：当硬币堆叠或接触时，简单的二值化会使多个硬币被识别为同一物体

图示：左图为原图，右图显示阈值分割导致的边缘锯齿和粘连问题

针对硬币这种具有明显灰度变化的圆形物体，边缘检测比区域分割更合适。我们测试了三种经典算子：

Sobel 算子：
优点：计算速度快（仅需两个 3 ×3 卷积核）
缺点：对噪声敏感，边缘较粗（约 2 - 3 像素宽）
Prewitt 算子：
优点：方向检测比 Sobel 更均衡
缺点：同样存在抗噪性差的问题
Canny 算子：
优点：通过双阈值和非极大值抑制，能获得单像素宽度的清晰边缘
缺点：计算复杂度较高（需高斯滤波 + 梯度计算 +NMS）

实测结论：对于 coins.png 这种背景干净的图像，Canny 在精度和实用性上综合胜出。

虽然 coins.png 本身噪声较少，但实际工业图像需要此步骤。关键参数选择：

滤波器大小：5×5（兼顾去噪效果和计算效率）
Sigma 值：1.5（经验值，过大导致边缘模糊）

img = imread('coins.png');
img_gray = rgb2gray(img);  % 如果是 RGB 图像
img_filtered = imgaussfilt(img_gray, 1.5, 'FilterSize', 5);

MATLAB 的 edge() 函数已集成 Canny 算法，重点调整三个参数：

阈值范围：[0.05 0.15]（低阈值设为高阈值的 1 /2~1/3）
Sigma 值：1.8（控制高斯核大小，影响边缘连接性）

edges = edge(img_filtered, 'canny', [0.05 0.15], 1.8);
imshow(edges); title('Canny 边缘检测结果');

解决边缘断裂问题的黄金组合：

先膨胀连接断边（使用 3 ×3 圆形结构元素）
再腐蚀恢复原始尺寸

se = strel('disk', 1);
edges_closed = imclose(edges, se);

% 硬币边界分割完整流程
img = imread('coins.png');
img_gray = rgb2gray(img);

% 预处理
img_filtered = imgaussfilt(img_gray, 1.5, 'FilterSize', 5);

% Canny 边缘检测
edges = edge(img_filtered, 'canny', [0.05 0.15], 1.8);

% 后处理
se = strel('disk', 1);
edges_closed = imclose(edges, se);

% 可视化
figure;
subplot(1,3,1); imshow(img); title('原图');
subplot(1,3,2); imshow(edges); title('Canny 边缘');
subplot(1,3,3); imshow(edges_closed); title('闭运算后');

% 生成带标签的分割结果（需要 Image Processing Toolbox）[L, num] = bwlabel(edges_closed);
RGB = label2rgb(L, 'jet', 'k');
figure; imshow(RGB); title(['检测到', num2str(num), '个硬币']);

在 Intel i7-11800H 上测试 2048×2048 图像：