非最大抑制答案

【问题标题】：Non-max suppression非最大抑制
【发布时间】：2012-12-01 12:36:56
【问题描述】：

我们了解到，您可以使用atan(dy/dx) 获得梯度方向，这是与边缘正交的方向。现在我们有一个作业，我们应该将此方向离散化为四个类别（x 和 y 方向以及两个对角线），然后检查最佳匹配方向上的两个像素邻居是否非最大抑制 .

虽然我没有完全得到解决方案。显然我们有四种情况：

abs(angle) < pi/8，所以梯度（大致）指向x方向，因此我们检查img(i, j-1)和img(i, j+1)（假设图像原点在左上角）
angle > pi/8 && angle <= 3*pi/8，所以渐变指向右上角。现在我认为我们需要检查img(i-1, j+1) 和img(i+1, j-1)，但我们检查了img(i-1, j-1) 和img(i+1, j+1)，这似乎是正交对角线。

其他两种情况是等价的。我试图改变这一点，但边缘看起来很奇怪，所以这似乎是正确的，但我不明白为什么。

谁能给我解释一下？

【问题讨论】：

非最大抑制是一种消除不位于重要边缘的点的方法。在第一种情况下，如果给定点的梯度接近零度，则意味着边缘在北或南，如果该点的大小大于左右两侧的点的大小（如您的示例中所示）。在第二种情况下，您正在检查 45 度的梯度，因此边缘为 135 度，因此如果该点大于沿梯度方向的点，即 (-1, -1) 和 (1, 1).
是的，它是沿着梯度方向的。又名 45°。到右上角。我不确定您使用的是哪个坐标系。 (-1, -1) 和 (1, 1) 看起来像是一个经典的笛卡尔系统，它的oritin 在左下角。我们在 matlab 中这样做了，所以图像原点在左上角，因此看起来我们检查了边缘方向。又名 135°。到左上角。
这显然与我使用的坐标系相同，因为我说渐变是 45 度，并且 (-1, -1), (1, 1) 沿着这个渐变。这在笛卡尔平面中结果是相同的，在这种情况下与原点的位置无关。我之前的回答是，你有什么并发症？是否与 (-1, -1) 高于您的原点有关？
这张图i.imgur.com/9lpvf.png 有帮助吗？
我认为这只是 matlab 和笛卡尔坐标之间的混淆。正如我所说，matlab 使用您绘图右侧的系统，但由于某种原因，我对齐了左侧系统中的角度......

标签： computer-vision non-maximum-suppression

【解决方案1】：

非最大抑制是一种消除不位于重要边缘的点的方法。在第一种情况下，如果给定点的梯度接近零度，则意味着边缘在北或南，如果该点的大小大于该点，则该点将被视为在边缘左右两个点的大小（如您的示例中所示）。在第二种情况下，您正在检查 45 度的渐变，因此边缘为 135 度，因此如果该点大于沿渐变方向的点，即 (-1, -1) 和 (1)，则保留该点, 1)。旋转坐标系不会影响这一点。

【讨论】：

我对你的解释有点困惑。根据上图，您显示了案例 2（梯度角 = 45 度）的图。但是假设渐变 = 22.5 度，根据您的绘图，我们必须检查顶部和底部的点 (-1, 0) 和 (1, 0)。我说的对吗？

【解决方案2】：

这是在 Canny 边缘检测过程中使用的Non Maxima Suppression 的 python 实现。

他们专注于北部和南部、东北和西南、东部和西部以及东南和西北。然后决定要保留哪些值。

希望它能帮助需要 NMS 的人找到更好的优势。

【讨论】：

【解决方案3】：

最初的问题可能会迟到，但以下链接可能会帮助任何努力理解非最大抑制的人。

Java Demo of non-max suppression

【讨论】：

“此南安普顿大学个人网页服务目前不可用。对于给您带来的不便，我们深表歉意”
这里同样“不可用”
@MonicaHeddneck 让我想起了 xkcd 上的“古代智慧”