主要内容

imdiffuseest

各向异性扩散滤波的参数估计

在页面中全部折叠

语法

[gradientThreshold, numberOfIterations] = imdiffuseest(我)
[gradientThreshold, numberOfIterations] = imdiffuseest(我名字,值)

描述

例子

［gradientThreshold，numberOfIterations) = imdiffuseest (我）估计梯度阈值和滤波灰度图像所需的迭代次数我使用各向异性扩散。

［gradientThreshold，numberOfIterations) = imdiffuseest (我，名称,值）使用名称-值对来改变各向异性扩散算法的行为。

例子

全部折叠

打开生活的脚本

读取灰度图像，然后对其应用强高斯噪声。显示噪声图像。

我= imread (“pout.tif”）;Inoisy = imnoise(我“高斯”, 0, 0.005);imshow (Inoisy)标题(“嘈杂的图像”）

图中包含一个axes对象。标题为noiseimage的axes对象包含一个类型为Image的对象。

估计进行图像各向异性扩散滤波所需的梯度阈值和迭代次数。

[gradThresh, numIter] = imdiffuseest (Inoisy)
gradThresh =1x5 uint8行向量64 50 39 34 29
numIter = 5

利用估计的参数，利用各向异性扩散对噪声图像进行滤波。

Idiffuseest = imdiffusefilt (Inoisy,“GradientThreshold”，.．.gradThresh,“NumberOfIterations”, numIter);

为了进行对比，还使用默认参数的各向异性扩散对噪声图像进行滤波。默认的渐变阈值是25.5，因为图像的数据类型是uint8，默认迭代次数为5。

Idiffusedef = imdiffusefilt (Inoisy);

在视觉上比较两张过滤过的图像。

蒙太奇({Idiffusedef Idiffuseest},“ThumbnailSize”[])标题([“使用各向异性扩散滤波”.．.“默认参数(左)vs.估计参数(右)”])

图中包含一个axes对象。标题为“使用默认参数(左)和估计参数(右)的各向异性扩散滤波”的轴对象包含一个类型为图像的对象。

使用默认参数过滤的图像中仍保留一些噪声。用估计的参数过滤后的图像几乎完全没有噪声。两幅图像都保留了边缘的锐度，特别是格架和白领等高对比度的边缘。

输入参数

全部折叠

要过滤的图像，指定为二维灰度图像。

数据类型:单|双|int16|uint8|uint16

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

例子:imdiffuseest(我,“连接”,“最小”)估计图像上各向异性扩散所需的参数我，尽量减少连通性。

像素与其相邻像素的连通性，指定为逗号分隔的对，由“连接”而且“最大”或“最低”．最大连接考虑八个最近的邻居，最小连接考虑四个最近的邻居。

传导方法，指定为逗号分隔的对组成“ConductionMethod”而且“指数”或“二次”．指数扩散倾向于高对比度的边缘而不是低对比度的边缘。二次扩散更倾向于宽区域而不是小区域。

输出参数

全部折叠

梯度阈值，作为与输入图像相同数据类型的数字向量返回，我．向量的长度等于numberOfIterations．

扩散过程中要使用的迭代次数，返回为正整数。

参考文献

[1]佩罗纳，P.和J.马利克。"利用各向异性扩散的尺度空间和边缘检测"IEEE®模式分析与机器智能汇刊．1990年7月，第12卷第7期，第629-639页。

[2]齐奥齐奥斯和彼得鲁。关于图像处理中各向异性扩散参数的选择。模式识别．2013年5月，第46卷第5期，1369-1381页。

版本历史

介绍了R2018a

另请参阅

Baidu
map