【图像去噪的扩散滤波】图像线性扩散滤波、边缘增强线性和非线性各向异性滤波（Matlab代码实现）

程序猿鑫2023-10-15 8:09

💥💥💞💞欢迎来到本博客❤️❤️💥💥

****🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️**座右铭：**行百里者，半于九十。

📋📋📋++本文目录如下：++🎁🎁🎁

目录

[💥1 概述](#💥1 概述)

[📚2 运行结果](#📚2 运行结果)

[2.1 non_aniso](#2.1 non_aniso)

[2.2 inhomo_iso](#2.2 inhomo_iso)

[2.3 heat_imp](#2.3 heat_imp)

[2.4 heat_explicit](#2.4 heat_explicit)

[🎉3 参考文献](#🎉3 参考文献)

[🌈4 Matlab代码实现](#🌈4 Matlab代码实现)

💥1 概述

【图像去噪的扩散滤波】图像线性扩散滤波、边缘增强线性和非线性各向异性滤波

各种基于扩散的图像滤波方法：

1.使用热方程的线性扩散滤波 - 使用隐式和显式欧拉方法求解。

  1. 边缘增强线性各向异性扩散滤波。

  2. 边缘增强非线性各向异性扩散滤波。

在图像处理领域，去除图像中的噪点和提升细节是非常重要的任务。为此，发展了各种基于扩散的图像滤波方法，旨在改善图像质量和增强图像特征。以下是其中几种常见的滤波方法：

  1. 线性扩散滤波：使用热方程模型来进行线性扩散滤波。这种方法可以使用隐式和显式欧拉方法来求解，以改善图像的平滑度和减少噪声。线性扩散滤波能够通过自适应地调整邻域像素的亮度值，实现图像的去噪和平滑。

  2. 边缘增强线性各向异性扩散滤波：这种方法结合了线性扩散滤波和各向异性过滤的思想，在保持图像平滑的同时突出了图像中的边缘特征。通过对邻域像素的梯度进行加权处理，边缘增强线性各向异性扩散滤波能够有效地提升图像的边缘细节，使图像更加清晰和锐利。

  3. 边缘增强非线性各向异性扩散滤波：与线性滤波相比，非线性滤波方法在处理图像时更加灵活和精确。边缘增强非线性各向异性扩散滤波通过考虑像素之间的非线性关系，使得处理后的图像在细节和边缘保留方面更具优势。这种方法能够在去除噪点的同时保持图像的细节和纹理信息。

这些基于扩散的图像滤波方法为图像去噪和增强提供了强大的工具。根据不同的应用需求和图像特征，选择合适的滤波方法能够显著改善图像质量，并提高图像的可视化效果。无论是在科学研究、医学影像还是图形设计领域，这些滤波方法都发挥着重要作用，为用户带来更好的图像处理体验。

📚 2 运行结果

2.1 non_aniso

2.2 inhomo_iso

2.3 heat_imp

2.4 heat_explicit

部分代码：

% set up finite difference parameters
alpha =.5;
k = 1;
h = 1;

lambda = (alpha^2)*(k/(h^2));

[m n] = size(w);
%stick image into a vector
w_vec = reshape(w,n*n,1);
w_old = w;
w_new = w;

%smooth the image
im_smth = filter_function(w,1);
im_smth = im_smth';
% required for g() calculation
[dx_im_smth dy_im_smth] = gradient(im_smth);
gr_im_smth = dx_im_smth.^2 + dy_im_smth.^2;

[mmm nnn] = size(gr_im_smth);
% g() calculation
for i=1:mmm
    for j=1:nnn
        g(i,j) = 1/(1+(gr_im_smth(i,j)/32));
    end
end
%g = g';
jj=1;

[im_sx im_sy]  = gradient(im_smth);
% diffusion tensor D is preconputed here
D = zeros(n*n,2,2);
for i=1:n*n
    row = ceil(i/n);
    col = i - (row-1) * n;
  %  if((col > 1) && (col < n) && (row > 1) && (row < n))
        
        % choose eigenvector parallel and perpendicular to gradient
        eigen_vec = [im_sx(row,col) im_sy(row,col); im_sy(row,col) -im_sx(row,col) ];
        %choose eigenvalues
        eigen_vec(:,1) = eigen_vec(:,1) ./ norm(eigen_vec(:,1));
        eigen_vec(:,2) = eigen_vec(:,2) ./ norm(eigen_vec(:,2));
        eigen_val = [g(row,col) 0;0 1];
        
        % form diffusion tensor
        D(i,:,:) = eigen_vec * eigen_val * (eigen_vec');        
        % end
end

figure;
for k=1:400 % for each iteration
    for i=1:n*n % solve using Jacobi iterations scheme
        row = ceil(i/n); %compute what row this pixel belongs to in original image
        col = i - (row-1) * n; % compute cols similarly

        %different if conditions handles pixels at different location in
        %the image as depending on their location they may or may not have
        %all their neighbor pixels which will be required for finite
        %differences
        
        if((col > 1) && (col < n) && (row > 1) && (row < n))
            
            s = -lambda * ((D(i,1,1) * w_old(i-1)) + ((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) +  ...
                (D(i,2,2) * w_old(i-n)) + ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))) + ((D(i,1,2) + D(i,2,1)) * w_old(i+n+1)));
            w_new(i) = (-s + w_old(i))/(1 + lambda * (2 * D(i,1,1) + 2 * D(i,2,2) - D(i,1,2) - D(i,2,1)));
            
        elseif((row == 1) && (col > 1) && (col < n))
            s = -lambda * ((D(i,1,1) * w_old(i-1)) + ((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) +  ...
                ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))) + ((D(i,1,2) + D(i,2,1)) * w_old(i+n+1)));
            
            %s = -(lambda) * (w_old(i+1) + w_old(i-1) + w_old(i+n));
            w_new(i) = (-s + w_old(i))/(1+4*lambda);
        elseif((row == n) && (col > 1) && (col < n))
            s = -lambda * ((D(i,1,1) * w_old(i-1)) + ((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) +  ...
                (D(i,2,2) * w_old(i-n)));
            
            %s = -(lambda) * (w_old(i+1) + w_old(i-1) + w_old(i-n));
            w_new(i) = (-s + w_old(i))/(1+4*lambda);
        elseif((col == 1) && (row > 1) && (row < n))
            s = -lambda * (((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) +  ...
                (D(i,2,2) * w_old(i-n)) + ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))) + ((D(i,1,2) + D(i,2,1)) * w_old(i+n+1)));
            
            %s = -(lambda) * (w_old(i+1) + w_old(i+n) + w_old(i-n));
            w_new(i) = (-s + w_old(i))/(1+4*lambda);
        elseif((col == n) && (row > 1) && (row < n))
            s = -lambda * ((D(i,1,1) * w_old(i-1)) +  ...
                (D(i,2,2) * w_old(i-n)) + ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))));            
            %s = -(lambda) * (w_old(i-1) + w_old(i+n) + w_old(i-n));
            w_new(i) = (-s + w_old(i))/(1+4*lambda);
        elseif((col==1) && (row==1))

% set up finite difference parameters

alpha =.5;

k = 1;

h = 1;

lambda = (alpha^2)*(k/(h^2));

[m n] = size(w);

%stick image into a vector

w_vec = reshape(w,n*n,1);

w_old = w;

w_new = w;

%smooth the image

im_smth = filter_function(w,1);

im_smth = im_smth';

% required for g() calculation

[dx_im_smth dy_im_smth] = gradient(im_smth);

gr_im_smth = dx_im_smth.^2 + dy_im_smth.^2;

[mmm nnn] = size(gr_im_smth);

% g() calculation

for i=1:mmm

for j=1:nnn

g(i,j) = 1/(1+(gr_im_smth(i,j)/32));

end

end

%g = g';

jj=1;

[im_sx im_sy] = gradient(im_smth);

% diffusion tensor D is preconputed here

D = zeros(n*n,2,2);

for i=1:n*n

row = ceil(i/n);

col = i - (row-1) * n;

% if((col > 1) && (col < n) && (row > 1) && (row < n))

% choose eigenvector parallel and perpendicular to gradient

eigen_vec = [im_sx(row,col) im_sy(row,col); im_sy(row,col) -im_sx(row,col) ];

%choose eigenvalues

eigen_vec(:,1) = eigen_vec(:,1) ./ norm(eigen_vec(:,1));

eigen_vec(:,2) = eigen_vec(:,2) ./ norm(eigen_vec(:,2));

eigen_val = [g(row,col) 0;0 1];

% form diffusion tensor

D(i,:,:) = eigen_vec * eigen_val * (eigen_vec');

% end

end

figure;

for k=1:400 % for each iteration

for i=1:n*n % solve using Jacobi iterations scheme

row = ceil(i/n); %compute what row this pixel belongs to in original image

col = i - (row-1) * n; % compute cols similarly

%different if conditions handles pixels at different location in

%the image as depending on their location they may or may not have

%all their neighbor pixels which will be required for finite

%differences

if((col > 1) && (col < n) && (row > 1) && (row < n))

s = -lambda * ((D(i,1,1) * w_old(i-1)) + ((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) + ...

(D(i,2,2) * w_old(i-n)) + ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))) + ((D(i,1,2) + D(i,2,1)) * w_old(i+n+1)));

w_new(i) = (-s + w_old(i))/(1 + lambda * (2 * D(i,1,1) + 2 * D(i,2,2) - D(i,1,2) - D(i,2,1)));

elseif((row == 1) && (col > 1) && (col < n))

s = -lambda * ((D(i,1,1) * w_old(i-1)) + ((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) + ...

((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))) + ((D(i,1,2) + D(i,2,1)) * w_old(i+n+1)));

%s = -(lambda) * (w_old(i+1) + w_old(i-1) + w_old(i+n));

w_new(i) = (-s + w_old(i))/(1+4*lambda);

elseif((row == n) && (col > 1) && (col < n))

s = -lambda * ((D(i,1,1) * w_old(i-1)) + ((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) + ...

(D(i,2,2) * w_old(i-n)));

%s = -(lambda) * (w_old(i+1) + w_old(i-1) + w_old(i-n));

w_new(i) = (-s + w_old(i))/(1+4*lambda);

elseif((col == 1) && (row > 1) && (row < n))

s = -lambda * (((D(i,1,1) - D(i,1,2) - D(i,2,1)) * (w_old(i+1))) + ...

(D(i,2,2) * w_old(i-n)) + ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))) + ((D(i,1,2) + D(i,2,1)) * w_old(i+n+1)));

%s = -(lambda) * (w_old(i+1) + w_old(i+n) + w_old(i-n));

w_new(i) = (-s + w_old(i))/(1+4*lambda);

elseif((col == n) && (row > 1) && (row < n))

s = -lambda * ((D(i,1,1) * w_old(i-1)) + ...

(D(i,2,2) * w_old(i-n)) + ((D(i,2,2) - D(i,1,2) - D(i,2,1)) * (w_old(i+n))));

%s = -(lambda) * (w_old(i-1) + w_old(i+n) + w_old(i-n));

w_new(i) = (-s + w_old(i))/(1+4*lambda);

elseif((col==1) && (row==1))

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]张建伟,王译禾,陈允杰.基于非线性扩散滤波结构信息的图像去噪方法[J].计算机工程与设计, 2016, 37(11):8.DOI:10.16208/j.issn1000-7024.2016.11.021.

[2]文武,苗放.复数域非线性扩散滤波在图像处理中的应用[J].微电子学与计算机, 2012.DOI:CNKI:SUN:WXYJ.0.2012-06-015.

[3]傅艳莉,李超,陈浩,等.各向异性扩散滤波远探测声波测井图像降噪方法[J].应用声学, 2022, 41(4):10.

[4]许韬.非线性扩散图像混合滤波去噪方法研究[J].计算机仿真, 2020, 037(012):460-464.

[5]李志伟,冯象初.维纳滤波和非线性扩散相结合的图像去噪[J].电子科技, 2007(9):4.DOI:10.3969/j.issn.1007-7820.2007.09.016.

🌈4 Matlab代码实现

相关推荐
游客52025 分钟前
opencv中的常用的100个API
图像处理·人工智能·python·opencv·计算机视觉
IT猿手1 小时前
最新高性能多目标优化算法：多目标麋鹿优化算法（MOEHO）求解TP1-TP10及工程应用---盘式制动器设计，提供完整MATLAB代码
开发语言·深度学习·算法·机器学习·matlab·多目标算法
__lost1 小时前
MATLAB直接推导函数的导函数和积分形式（具体方法和用例）
数学·算法·matlab·微积分·高等数学
吃个糖糖2 小时前
36 Opencv SURF 关键点检测
人工智能·opencv·计算机视觉
普密斯科技4 小时前
手机外观边框缺陷视觉检测智慧方案
人工智能·计算机视觉·智能手机·自动化·视觉检测·集成测试
我感觉。4 小时前
【图像处理lec8】彩色图像处理
图像处理·彩色图像处理
IT猿手6 小时前
SDMTSP：粒子群优化算法PSO求解单仓库多旅行商问题，可以更改数据集和起点（MATLAB代码）
开发语言·人工智能·matlab·智能优化算法
是十一月末10 小时前
Opencv实现图片的边界填充和阈值处理
人工智能·python·opencv·计算机视觉
Eric.Lee202113 小时前
Paddle OCR 中英文检测识别 - python 实现
人工智能·opencv·计算机视觉·ocr检测
audyxiao00114 小时前
AI一周重要会议和活动概览
人工智能·计算机视觉·数据挖掘·多模态
热门推荐
01【一文读懂】NTN（非地面网络）技术介绍02优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间03玄机平台应急响应—webshell查杀04Cube-Studio：开源大模型全链路一站式中台05基于大语言模型（LLM）的合成数据生成、策展和评估的综述06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07组基轨迹建模 GBTM的介绍与实现（Stata 或 R）08HCIA-datacom数通题库和录播视频资料09Docker 夺命连环 15 问10RAG 实践- Ollama+RagFlow 部署本地知识库