计算机视觉中的神器：自适应非最大抑制(Adaptive Non-Maximum Suppression, ANMS)全解析

原创于 2025-05-18 15:29:48 发布 · 345 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能

人工智能同时被 2 个专栏收录

49 篇文章

订阅专栏

计算机视觉

37 篇文章

订阅专栏

👀宝子们，今天要给大家分享的是在计算机视觉领域中非常实用的一个算法——自适应非最大抑制（ANMS）。无论是做目标检测、特征点匹配还是其他需要处理大量候选点的任务，ANMS都能助你一臂之力！

📌 什么是ANMS？

非最大抑制（Non-Maximum Suppression, NMS）是一种用于过滤掉多余的候选框或关键点的技术，目的是保留最有可能的目标位置。然而，传统的NMS方法可能会因为阈值选择不当导致一些重要信息的丢失。而**自适应非最大抑制（ANMS）**通过动态调整策略来克服这一问题，确保了更优的选择结果。

✨为什么选择ANMS？

减少冗余：有效去除重复的关键点或边界框。
提高精度：相比传统NMS，能更好地保留重要的局部极值点。
灵活性强：根据实际应用场景自动调整参数，无需手动设定严格的阈值。

💻 实战案例：ANMS在特征点检测中的应用

假设我们正在做一个基于SIFT特征点匹配的图像拼接项目，为了提高匹配效率和准确性，我们可以使用ANMS对提取出的特征点进行筛选。

📚 Python代码实现

import numpy as np

def anms(scores, num_points=100, radius=5):
    """
    自适应非最大抑制算法
    :param scores: 输入的得分矩阵（例如：SIFT特征点响应函数R）
    :param num_points: 需要保留的点数
    :param radius: 搜索半径
    :return: 筛选后的关键点坐标
    """
    h, w = scores.shape
    points = []
    for y in range(h):
        for x in range(w):
            if len(points) >= num_points:
                break
            score = scores[y, x]
            if score > 0:
                # 在指定范围内寻找比当前点得分更高的点
                max_score = -np.inf
                for dy in range(-radius, radius+1):
                    for dx in range(-radius, radius+1):
                        ny, nx = y + dy, x + dx
                        if 0 <= ny < h and 0 <= nx < w and not (dy == 0 and dx == 0):
                            max_score = max(max_score, scores[ny, nx])
                if score >= max_score:
                    points.append((x, y))
    
    return np.array(points)

# 示例：模拟一个简单的得分矩阵
scores = np.random.rand(100, 100) * 100
selected_points = anms(scores, num_points=50)

print("Selected Points:\n", selected_points)

🚀 解析：

输入参数：
- scores: 表示每个像素位置上的得分（如SIFT特征点响应函数R）。
- num_points: 用户期望保留的关键点数量。
- radius: 在判断是否为局部极大值时使用的搜索半径。
核心逻辑：
- 对于每一个得分大于0的点，检查其周围指定半径内的所有点。
- 如果当前点的得分不低于其邻域内任何一点的得分，则认为它是局部极大值，并将其加入到最终结果中。
输出：返回筛选后的关键点坐标数组。