各向异性扩散滤波算法（matlab）

matlab版本的，仅供参考

function diff_sig = anisodiff1D（sig num_iter delta_t kappa option）
%ANISODIFF1D Conventional anisotropic diffusion
%   DIFF_SIG = ANISODIFF1D（SIG NUM_ITER DELTA_T KAPPA OPTION） perfoms 
%   conventional anisotropic diffusion （Perona & Malik） upon 1D signals.
%   A 1D network structure of 2 neighboring nodes is considered for diffusion 
%   conduction.
% 
%       ARGUMENT DEscriptION:
%               SIG      - input column vector （Nx1）.
%               NUM_ITER - number of iterations. 
%               DELTA_T  - integration constant （0 <= delta_t <= 1/3）.
%                          Usually due to numerical stability this 
%                          parameter is set to its maximum value.
%               KAPPA    - gradient modulus threshold that controls the conduction.
%               OPTION   - conduction coefficient functions proposed by Perona & Malik:
%                          1 - c（xt） = exp（-（nablaI/kappa）.^2）
%                              privileges high-contrast edges over low-contrast ones. 
%                          2 - c（xt） = 1./（1 + （nablaI/kappa）.^2）
%                              privileges wide regions over smaller ones. 
% 
%       OUTPUT DEscriptION:
%               DIFF_SIG - （diffused） signal with the largest scale-space parameter.
% 
%   Example
%   -------------
%   s = exp（-（-10:0.1:10）.^2/2.5）‘ + rand（length（-10:0.1:10）1）;
%   num_iter = 15;
%   delta_t = 1/3;
%   kappa = 30;
%   option = 2;
%   ad = anisodiff1D（snum_iterdelta_tkappaoption）;
%   figure subplot 121 plot（s） axis（[0 200 0 2]） subplot 122 plot（ad） axis（[0 200 0 2]）
% 
% See also anisodiff2D anisodiff3D.

% References: 
%   P. Perona and J. Malik. 
%   Scale-Space and Edge Detection Using Anisotropic Diffusion.
%   IEEE Transactions on Pattern Analysis and Machine Intelligence 
%   12（7）:629-639 July 1990.
% 
%   G. Grieg O. Kubler R. Kikinis and F. A. Jolesz.
%   Nonlinear Anisotropic Filtering of MRI Data.
%   IEEE Transactions on Medical Imaging
%   11（2）:221-232 June 1992.
% 
%   MATLAB implementation based on Peter Kovesi‘s anisodiff（.）:
%   P. D. Kovesi. MATLAB and Octave Functions for Computer Vision and Image Processing.
%   School of Computer Science & Software Engineering
%   The University of Western Australia. Available from:
%   .
% 
% Credits:
% Daniel Simoes Lopes
% ICIST
% Instituto Superior Tecnico - Universidade Tecnica de Lisboa
% danlopes （at） civil ist utl pt
% http://www.civil.ist.utl.pt/~danlopes
%
% May 2007 original version.

% Convert input signal to double.
sig = double（sig）;

% PDE （partial differential equation） initial condition.
diff_sig = sig;

% Center point distance.
dx = 1;

% 1D convolution masks - finite differences.
hW = [1 -1 0]‘;
hE = [0 -1 1]‘;

% Anisotropic diffusion.
for t = 1:num_iter

        % Finite differences. [imfilter（..‘conv‘） can be replaced by

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3650  2007-05-15 00:32  anisodiff_Perona-Malik\anisodiff1D.m

     文件       4901  2007-05-15 00:32  anisodiff_Perona-Malik\anisodiff2D.m

     文件      11335  2007-05-15 00:32  anisodiff_Perona-Malik\anisodiff3D.m

     目录          0  2012-02-02 12:54  anisodiff_Perona-Malik

----------- ---------  ---------- -----  ----

                19886                    4