边缘检测中的非极大值抑制算法

在二次元影像测量仪及机器视觉系统中，边缘检测是提取工件轮廓、测量尺寸的核心步骤。经典的边缘检测算法（如Canny算子、Sobel算子）在计算图像梯度后，通常会得到一个梯度幅值图，但其中边缘往往呈现出“宽而模糊"的带状区域，而非理想的单像素宽度。为了将边缘细化为精确的、单像素宽的轮廓线，非极大值抑制（Non-Maximum Suppression, NMS）算法起到了关键作用。该算法通过保留梯度方向上的局部大值，抑制非极大值点，从而锐化边缘，为后续的亚像素定位和尺寸测量提供高质量的输入。本文将详细介绍非极大值抑制的原理、实现步骤及其对测量精度的影响。

一、非极大值抑制的基本原理

非极大值抑制是一种边缘细化的技术。其核心思想是：对于每个像素点，沿着其梯度方向（即边缘的法线方向）比较相邻像素的梯度幅值，如果当前像素的幅值不是该方向上的大值，则将其抑制（设为0）；否则保留。经过处理后，原本数像素宽的边缘带被压缩为仅保留局部峰值位置的单像素边缘，从而得到清晰、连续的边缘线。

在数学上，梯度幅值 $�(�,�)$ 和梯度方向 $�(�,�)$ 已由前序算子（如Sobel）计算得到。NMS对每个像素执行以下判断：

• 将梯度方向量化到四个主要方向（0°、45°、90°、135°）或更细的离散方向。

• 沿梯度方向的正负方向各取一个相邻像素（例如，对于水平边缘，梯度方向为垂直，则比较上下像素）。

• 若当前像素的幅值大于两个相邻像素的幅值，则保留；否则抑制。

二、算法实现步骤（以Canny边缘检测为例）

在经典的Canny边缘检测流程中，非极大值抑制位于“计算梯度幅值与方向"之后、“双阈值检测"之前。具体步骤如下：

1. 计算梯度幅值和方向：利用Sobel、Prewitt或Scharr算子计算图像每个像素的水平梯度 ${�}_{�}$ 和垂直梯度 ${�}_{�}$，进而得到幅值 $�=\sqrt{{�}_{�}^2+{�}_{�}^2}$ 和方向 $�=\arctan ({�}_{�}\mathrm{/}{�}_{�})$。

2. 方向量化：将连续的梯度方向 $�$ 离散化为四个或八个扇区。常用的四方向量化规则为：

• 方向0：$-22.5\mathrm{°}\sim 22.5\mathrm{°}$ 或 $157.5\mathrm{°}\sim 202.5\mathrm{°}$（水平边缘，梯度垂直）

• 方向1：$22.5\mathrm{°}\sim 67.5\mathrm{°}$ 或 $202.5\mathrm{°}\sim 247.5\mathrm{°}$（对角线边缘）

• 方向2：$67.5\mathrm{°}\sim 112.5\mathrm{°}$ 或 $247.5\mathrm{°}\sim 292.5\mathrm{°}$（垂直边缘，梯度水平）

• 方向3：$112.5\mathrm{°}\sim 157.5\mathrm{°}$ 或 $292.5\mathrm{°}\sim 337.5\mathrm{°}$（另一对角线）

3. 沿梯度方向比较：对于每个像素，根据其量化后的方向，获取正负方向上的相邻像素的幅值。例如：

• 若方向为0°（梯度水平），则比较左右像素。

• 若方向为90°（梯度垂直），则比较上下像素。

• 若方向为45°，则比较右上和左下像素。

• 若方向为135°，则比较左上和右下像素。

4. 抑制非极大值：如果当前像素的幅值小于相邻两个像素中的任何一个，则将其幅值设为0；否则保留原值。

5. 输出：得到一幅只有局部极大值保留的单像素边缘图。

三、在影像测量软件中的意义

对于二次元影像测量仪而言，边缘的亚像素定位精度直接影响尺寸测量的重复性和准确性。非极大值抑制带来的好处包括：

• 边缘宽度压缩：原始梯度幅值图往往呈现数像素宽的“山脉"状边缘，NMS将其压缩为1像素宽的“山脊线"，使得后续的亚像素拟合（如灰度矩、插值法）更加稳定。

• 减少冗余信息：抑制了边缘附近的弱响应和噪声引起的伪边缘，降低了误检率。

• 提高测量重复性：单像素边缘减少了随机采点波动，多次测量同一位置时边缘位置的标准差更小。

• 支持复杂轮廓提取：在圆、圆弧、直线等几何元素的拟合中，细化后的边缘点集更接近真实轮廓，拟合精度更高。

四、算法的优缺点与改进

优点：

• 计算简单，速度快，适合实时测量。

• 与阈值分割结合后能获得高质量的二进制边缘图。

• 对于对比度良好的工件边缘。

缺点与局限：

• 对噪声敏感：噪声点可能在梯度方向上产生虚假的局部极大值，导致伪边缘。通常需要在NMS之前进行高斯滤波平滑。

• 方向量化误差：将连续梯度方向量化为离散扇区，会导致边缘位置产生微小的偏移（通常<0.5像素）。高精度测量时可采用插值法（如双线性插值）获取更精确的梯度方向邻域值。

• 对于模糊边缘或低对比度边缘，梯度幅值变化平缓，NMS可能产生断裂的边缘线段，需要后续的连通性处理。

改进方法：

• 亚像素非极大值抑制：在梯度方向上进行二次曲线拟合，找到亚像素级别的峰值位置，从而将边缘定位精度提升到0.1像素甚至更高。

• 各向异性NMS：根据局部图像结构自适应调整比较邻域的大小和形状，适用于纹理复杂或曲率变化大的边缘。

五、实际应用中的参数调节建议

在影像测量软件中，用户通常不会直接调节NMS算法内部参数，但了解其原理有助于理解边缘检测结果。以下是一些实用建议：

• 梯度算子选择：Sobel算子对噪声有一定抑制，但边缘定位精度中等；Scharr算子定位更准但对噪声更敏感；Canny中常使用Sobel。

• 高斯滤波尺度：在NMS之前，高斯滤波的标准差 $�$ 越大，边缘越平滑，但可能丢失细节。对于清晰边缘，$�=1.0$ 即可；对于噪声大的图像，可适当增大至1.5~2.0。

• 高低阈值设定：NMS之后，Canny还会使用双阈值检测（高阈值保留强边缘，低阈值连接弱边缘）。若测量对象是锐利边缘，可提高高阈值（如150），减少伪边缘；若边缘较模糊，降低高阈值（如80）。

• 检查边缘断裂：如果测量结果显示边缘不连续，可能是NMS后阈值过高导致。可降低低阈值或增加边缘连接像素距离。

六、示例：Canny边缘检测中的NMS效果

考虑一个简单的一维剖面：原始图像中一条从黑到白的理想阶跃边缘，梯度幅值在边缘处形成一个单峰。但实际图像中由于镜头衍射和采样，边缘会呈现斜坡状，梯度幅值形成一个宽峰。经过NMS后，只有峰顶位置的像素被保留，边缘宽度从5~6像素压缩至1~2像素。如果进一步结合亚像素拟合，可将边缘定位到0.1像素精度。这正是影像测量仪能够达到微米级重复精度的算法基础。

七、总结

非极大值抑制是边缘检测中的一步，它通过保留梯度方向上的局部大值，将宽边缘细化为单像素宽度的精确轮廓。对于二次元影像测量软件而言，NMS直接影响到边缘提取的准确性和测量重复性。理解其原理有助于操作员在遇到边缘检测失败时，有针对性地调整预处理参数（如滤波、梯度算子、阈值）。随着测量精度的要求不断提高，亚像素级别的改进型NMS算法正逐渐成为测量软件的标准配置。