各向异性扩散
来源:互联网 发布:偶像剧知乎 编辑:程序博客网 时间:2024/04/30 21:26
转自:http://www.cnblogs.com/tiandsp/archive/2013/04/18/3029468.html
主要是用来平滑图像的,克服了高斯模糊的缺陷,各向异性扩散在平滑图像时是保留图像边缘的(和双边滤波很像)。
通常我们有将图像看作矩阵的,看作图的,看作随机过程的,记得过去还有看作力场的。
这次新鲜,将图像看作热量场了。每个像素看作热流,根据当前像素和周围像素的关系,来确定是否要向周围扩散。比如某个邻域像素和当前像素差别较大,则代表这个邻域像素很可能是个边界,那么当前像素就不向这个方向扩散了,这个边界也就得到保留了。
先看下效果吧:
具体的推导公式都是热学上的,自己也不太熟悉,感兴趣的可以去看原论文,引用量超7000吶。
我这里只介绍一下最终结论用到的公式。
主要迭代方程如下:
I就是图像了,因为是个迭代公式,所以有迭代次数t。
四个散度公式是在四个方向上对当前像素求偏导,news就是东南西北嘛,公式如下:
而cN/cS/cE/cW则代表四个方向上的导热系数,边界的导热系数都是小的。公式如下:
最后整个公式需要先前设置的参数主要有三个,迭代次数t,根据情况设置;导热系数相关的k,取值越大越平滑,越不易保留边缘;lambda同样也是取值越大越平滑。
最后是matlab代码:
clear all;close all;clc;k=15; %导热系数,控制平滑lambda=0.15; %控制平滑N=20; %迭代次数img=double(imread('lena.jpg'));imshow(img,[]);[m n]=size(img);imgn=zeros(m,n);for i=1:N for p=2:m-1 for q=2:n-1 %当前像素的散度,对四个方向分别求偏导,局部不同方向上的变化量, %如果变化较多,就证明是边界,想方法保留边界 NI=img(p-1,q)-img(p,q); SI=img(p+1,q)-img(p,q); EI=img(p,q-1)-img(p,q); WI=img(p,q+1)-img(p,q); %四个方向上的导热系数,该方向变化越大,求得的值越小,从而达到保留边界的目的 cN=exp(-NI^2/(k*k)); cS=exp(-SI^2/(k*k)); cE=exp(-EI^2/(k*k)); cW=exp(-WI^2/(k*k)); imgn(p,q)=img(p,q)+lambda*(cN*NI+cS*SI+cE*EI+cW*WI); %扩散后的新值 end end img=imgn; %整个图像扩散完毕,用已扩散图像的重新扩散。endfigure;imshow(imgn,[]);
1 0
- 各向异性扩散
- 各向异性扩散
- 各向异性扩散 Anisotropic diffusion
- 各向异性扩散滤波_原理与算法
- 血管增强的各向异性扩散滤波(VED算法)
- 图像的各向异性扩散——启发性方法
- 各向异性扩散PM模型原理与C++实现
- 各向异性
- 一点一滴完全突破KAZE特征检测算法,从各向异性扩散滤波开始(1)
- 一点一滴完全突破KAZE特征检测算法,从各向异性扩散滤波开始(2)
- 一点一滴完全突破KAZE特征检测算法,从各向异性扩散滤波开始(3)
- 数字图像处理,基于PM和Catte模型各向异性扩散的C++实现
- 各向同性特性、各向异性特性
- 纹理的各向异性采样
- U3D各向异性Shader
- 利用各向异性平滑图像
- 各向异性相干增强算法
- 图像各向异性滤波
- jstl标签
- poj 2063 完全背包问题
- TV模型图像修复
- 二分图二•二分图最大匹配之匈牙利算法
- POJ2488 A Knight's Journey 骑士巡游 DFS
- 各向异性扩散
- ConcurrentModificationException
- ios内存管理机制
- 心跳检测服务器是否正常的开源项目
- 物联网调研报告
- 黑马程序员__集合框架
- android开发之自定义圆形进度条(RoundProgressBar)
- KMP字符串模式匹配算法
- 30天自制操作系统第四天