各向异性扩散二维图像答案

【问题标题】：Anisotropic diffusion 2d images [closed]各向异性扩散二维图像
【发布时间】：2012-06-03 21:08:44
【问题描述】：

我想在 2d 图像上使用各向异性扩散。

我想使用 python 但不介意使用 matlab 或 c。我可以使用他们的任何库作为第一步吗？我对该主题进行了谷歌搜索，发现了 Panda3D 和 OpenGl。
基本上我想给一组图像让它应用过滤，然后将新图像输出到我想要的文件夹。

有关如何使用其中任何一种或您认为更好的方法的任何提示？

编辑：意思是扩散对不起！

【问题讨论】：

标签： python c image matlab filtering

【解决方案1】：

你不是说Anisotropic diffusion？ C 可能是最好的（比 matlab 和 python 更快）。但是matlab中有一个用于图像分析的工具箱：matlabimagetoolbox。我制作了一个在 c 中进行各向同性扩散的程序，我使用的唯一库是 libjpeg 用于导入和导出图像。

【讨论】：

哦，是的，对不起，我的错。我的意思是扩散！我对你在 c 中是如何做到的很感兴趣。我该怎么做呢？
不是为了家庭作业，而是为了大学的一个项目。他们需要有人来创造一个，我想通过创造来学习。我今天刚听说各向异性，所以我正在努力研究它。感谢您提供的信息，我在 C 方面不是很先进，但我会看看我能做什么。我会看看我是否能找到关于解析图像以浮动等的任何内容。
图像数据（如果是灰度）在一个无符号字符数组中。解析，float_image =(float)char_image_data。如果您需要更多帮助，我可以发布一些代码。

【解决方案2】：

Here's 我的 2D 和 3D 各向异性 (Perona-Malik) 扩散的 Python/numpy 实现。它没有 C 代码那么快，但它对我来说做得很好。

【讨论】：

哇，非常感谢！抱歉耽搁了，刚看到这个，很有帮助！
很高兴听到这个消息。如果对您有用，请将我的回答标记为已接受。
还没有那么多代表！一旦我有足够的，我一定会的！
实际上 Perona Malik 是各向同性（非线性）扩散。
@ali_m，您是否两次应用了 Div 运算符？

【解决方案3】：

import math
try:
    from cv2 import cv2
except:
    import cv2
import numpy as np


class anisodiff2D(object):

    def __init__(self,num_iter=5,delta_t=1/7,kappa=30,option=2):

        super(anisodiff2D,self).__init__()

        self.num_iter = num_iter
        self.delta_t = delta_t
        self.kappa = kappa
        self.option = option

        self.hN = np.array([[0,1,0],[0,-1,0],[0,0,0]])
        self.hS = np.array([[0,0,0],[0,-1,0],[0,1,0]])
        self.hE = np.array([[0,0,0],[0,-1,1],[0,0,0]])
        self.hW = np.array([[0,0,0],[1,-1,0],[0,0,0]])
        self.hNE = np.array([[0,0,1],[0,-1,0],[0,0,0]])
        self.hSE = np.array([[0,0,0],[0,-1,0],[0,0,1]])
        self.hSW = np.array([[0,0,0],[0,-1,0],[1,0,0]])
        self.hNW = np.array([[1,0,0],[0,-1,0],[0,0,0]])

    def fit(self,img):

        diff_im = img.copy()

        dx=1; dy=1; dd = math.sqrt(2)

        for i in range(self.num_iter):

            nablaN = cv2.filter2D(diff_im,-1,self.hN)
            nablaS = cv2.filter2D(diff_im,-1,self.hS)
            nablaW = cv2.filter2D(diff_im,-1,self.hW)
            nablaE = cv2.filter2D(diff_im,-1,self.hE)
            nablaNE = cv2.filter2D(diff_im,-1,self.hNE)
            nablaSE = cv2.filter2D(diff_im,-1,self.hSE)
            nablaSW = cv2.filter2D(diff_im,-1,self.hSW)
            nablaNW = cv2.filter2D(diff_im,-1,self.hNW)

            cN = 0; cS = 0; cW = 0; cE = 0; cNE = 0; cSE = 0; cSW = 0; cNW = 0

            if self.option == 1:
                cN = np.exp(-(nablaN/self.kappa)**2)
                cS = np.exp(-(nablaS/self.kappa)**2)
                cW = np.exp(-(nablaW/self.kappa)**2)
                cE = np.exp(-(nablaE/self.kappa)**2)
                cNE = np.exp(-(nablaNE/self.kappa)**2)
                cSE = np.exp(-(nablaSE/self.kappa)**2)
                cSW = np.exp(-(nablaSW/self.kappa)**2)
                cNW = np.exp(-(nablaNW/self.kappa)**2)
            elif self.option == 2:
                cN = 1/(1+(nablaN/self.kappa)**2)
                cS = 1/(1+(nablaS/self.kappa)**2)
                cW = 1/(1+(nablaW/self.kappa)**2)
                cE = 1/(1+(nablaE/self.kappa)**2)
                cNE = 1/(1+(nablaNE/self.kappa)**2)
                cSE = 1/(1+(nablaSE/self.kappa)**2)
                cSW = 1/(1+(nablaSW/self.kappa)**2)
                cNW = 1/(1+(nablaNW/self.kappa)**2)

            diff_im = diff_im + self.delta_t * (

                (1/dy**2)*cN*nablaN +
                (1/dy**2)*cS*nablaS +
                (1/dx**2)*cW*nablaW +
                (1/dx**2)*cE*nablaE +

                (1/dd**2)*cNE*nablaNE +
                (1/dd**2)*cSE*nablaSE +
                (1/dd**2)*cSW*nablaSW +
                (1/dd**2)*cNW*nablaNW
            )

        return diff_im

【讨论】：

虽然此代码可能会回答问题，但提供有关它如何和/或为什么解决问题的额外上下文将提高答案的长期价值。

【解决方案4】：

各向异性扩散自 2013 年起在 medpy package 中可用

import numpy as np
from medpy.filter.smoothing import anisotropic_diffusion

img = np.random.uniform(size=(32,32))
img_filtered = anisotropic_diffusion(img)

【讨论】：

medpy 现在似乎支持 Python 3。 Git 项目页面甚至说不再支持 Python 2。