图像中的像素插值，我也是在canny中学会的，比如我们旋转后的线图像，个个都是插值而成的，你可以看一看前面的博文，诸如此类：
if (k > -1 && k <= 0) { float avgGrey = (float)buffer8[(int)j * wh.Width + i]; float avgGrey1 = (float)buffer8[((int)j + 1) * wh.Width + i]; grey = avgGrey * (1 - tempf) + avgGrey1 * tempf; } else { float avgGrey = (float)buffer8[(int)j * wh.Width + i]; float avgGrey1 = (float)buffer8[((int)j - 1) * wh.Width + i]; grey = avgGrey * (1 - tempf) + avgGrey1 * tempf; }
我们的这一节，主要针对非极大值抑制，这是一个很响亮的名字，他里边就使用了很多这种插值，其实所谓插值，浮点像素呗！这就是所谓的亚像素。（需要提高精度，必须如此！）
上面代码的意思是说：看图
假定a=buffer(i,j-1);b=buffer(i,j),c=buffer(i,j+1);a,b（avgGrey）,c（avgGrey1）为灰度；A，B，C为三个点。
那么 (k > -1 && k <= 0)，直线x=-y就会由B偏向C，假定偏移了0.3=tempf，则，直线x=-y倾斜后与BC相交点的灰度值grey=0.3*c++0.7*b=avgGrey * (1 - tempf) + avgGrey1 * tempf;
相反，（k>-1）,直线就会与AB相交，则同理，仍有 grey = avgGrey * (1 - tempf) + avgGrey1 * tempf;
以上，虽然是笛卡尔数学坐标系，但在图像坐标系更好理解。
那么，非极大值抑制也有一段这样的代码：
c=观察中心/// / g3 / / g4 C g2 / / g1 / / else if (((m_Theta[j, i] >= 135) && (m_Theta[j, i] < 180)) || ((m_Theta[j, i] >= 315) && (m_Theta[j, i] < 360))) { //int nPointIdx = i+j*w; g1 = m_M[j + 1, i + 1]; g2 = m_M[j, i + 1]; g3 = m_M[j - 1, i - 1]; g4 = m_M[j, i - 1]; dWeight = Math.Abs(m_Q[j, i] / (m_P[j, i] * 1.0)); //タち dTmp1 = g1 * dWeight + g2 * (1 - dWeight); dTmp2 = g3 * dWeight + g4 * (1 - dWeight); }
对照图，就会很好理解。
需要说明的是，这条线是穿越点c的梯度方向，重复以下强调过的概念，穿越点c的梯度方向垂直于边缘，当前c的梯度幅值最大，但求出g1g2之间的亚像素点c1的梯度幅值大于c（边缘过c1），或者g3g4之间的亚像素点c2的梯度幅值大于c（边缘过c2），则c点会被舍弃，因为他不在边缘上，而边缘可能在c1上，或在c2上（边缘的定位精度提高了）。
这就是鼎鼎有名的，非极大值抑制，为什么是这样？因为，我们的像素点是整型的，这里引入了亚像素概念，提高了认知精度，仅此而已。
以上只是一个片段，因为你至少应该处理四个方向，剩下的只有重复。
