偏微分方程62290.pptVIP

各向同性扩散(热扩散模型) 式中△u(x, y, t)为图像的拉普拉斯算子。方程的解为u(x, y, t) = G * u(x, y, 0) ,即不同尺度的高斯滤波器与初始图像的卷积。其中 各向同性扩散没有考虑图像的空间位置，因此在去噪过程中，造成了图像边界的模糊。各向同性扩散是用高斯卷积核来平滑去噪。满足下面的原则: 因果性:粗糟尺度上的特征必然对应着精细尺度上的特征，也就是当尺度有小变大时，不产生新的细节特征。 定位特性:在不同的尺度下，图像特征的空间位置变化情况为定位特性。热方程在大尺度上所保留下来的图像特征，其空间位置会展宽且发生漂移。 P-M非线性扩散 高斯热传导滤波造成边缘模糊主要是因为热扩散方程在图像各个位置上的扩散程度是一致的，并不区分是噪声还是图像特征。 Charbonnier 提出如果利用 。作为特征检测算子，在 较大的区域减少扩散就可以使特征得到更多的保护。 他提出如下的扩散系数: 其中，k0用于判断特征，相应的扩散方程为: 在此基础上，Perona和Malik提出了他们著名的P-M方法： 其中 或 区域的内部，即图像的梯度模 比较小时，此时函数c 1，扩散方程近似于热扩散过程，具有各向同性的特点。 在图像的边界或细节处，即梯度模