Canny边缘检测是一种广泛应用于计算机视觉和图像处理领域的经典边缘检测算法，由John F. Canny于1986年提出。它旨在高效地找到图像中的强边缘，同时尽可能减少假响应和边缘断裂。该算法的主要特点在于其多级处理过程，包括滤波、梯度计算、非极大值抑制和双阈值检测。
1. **滤波**：Canny算法首先使用高斯滤波器对原始图像进行平滑处理，以去除噪声。这一步骤对于后续的边缘检测至关重要，因为噪声可能会导致错误的边缘检测。在MATLAB中，可以使用`fspecial`函数创建高斯滤波器，然后通过`imfilter`函数进行滤波操作。
2. **梯度计算**：接下来，计算图像的梯度幅值和方向。在MATLAB中，可以再次利用`imfilter`函数，这次使用Sobel算子（水平和垂直方向的Sobel滤波器）来近似图像的一阶偏导数，从而得到梯度信息。将这两个结果平方和开方得到梯度幅值，然后根据Sobel滤波器的结果计算梯度方向。
3. **非极大值抑制**：非极大值抑制是一种细化边缘的方法，用于消除边缘检测过程中可能出现的宽峰。在这个步骤中，对于每个像素点，算法会检查其沿梯度方向的相邻像素，如果当前像素的梯度值不是局部最大，则将其设置为0。在MATLAB代码中，这部分涉及到像素的坐标插值计算。
4. **双阈值检测**：Canny算法使用双阈值来检测和连接边缘。高阈值用于确定强边缘，低阈值用于连接弱边缘。这个过程涉及递归操作，确保边缘的连通性。在MATLAB代码中，这部分使用`for`循环遍历图像，根据新边缘矩阵中的值和设定的阈值来标记边缘。
实验中，通过MATLAB实现Canny边缘检测的过程，展示了从原始图像到最终边缘检测结果的每一步变化。每个步骤的输出图像是逐步揭示边缘检测过程的可视化结果，帮助理解Canny算法的工作原理。例如，Figure2展示了高斯滤波后的图像，Figure3是Sobel边缘检测的结果，Figure4是经过非极大值抑制的图像，而Figure5是最终的边缘检测输出。
Canny边缘检测的优点包括良好的抗噪声性能、高精度的边缘定位以及对单个阈值的不敏感性。然而，它的计算复杂度相对较高，可能不适合实时应用。在MATLAB中实现Canny算法，可以方便地对图像进行处理并观察各个步骤的效果，这对于理解和优化边缘检测算法非常有帮助。
