imdiffusefilt
各向异性扩散滤波的图像
描述
例子
执行Edge-Preserving使用各向异性扩散平滑
读一个图像到工作区中显示它。
我= imread (“cameraman.tif”);imshow (I)标题(原始图像的)
使用各向异性扩散平滑图像。相比之下,也顺利使用高斯模糊图像。调整标准差σ高斯平滑内核的纹理区域,如草,平滑方法类似的数量。
Idiffusion = imdiffusefilt(我);σ= 1.2;Igaussian = imgaussfilt(我,σ);
显示结果。
蒙太奇({Idiffusion Igaussian},“ThumbnailSize”[])标题(“使用各向异性扩散平滑(左)和高斯模糊(右))
各向异性扩散保留了图像的边缘比高斯模糊。
使用各向异性扩散执行Edge-Aware降噪
读一个灰度图像,然后应用强高斯噪声。嘈杂的图像显示。
我= imread (“pout.tif”);noisyImage = imnoise(我“高斯”,0,0.005);imshow (noisyImage)标题(“嘈杂的图像”)
计算结构相似度指数(SSIM)测量噪声图像的质量。SSIM值越接近于1,形象越好同意无声的参考图像。
n = ssim(我noisyImage);disp ([“噪声图像的SSIM价值”num2str (n),“。”])
嘈杂的图像的SSIM价值是0.26556。
使用各向异性扩散减少噪音。首先,尝试的默认参数各向异性扩散滤波,并显示结果。
B = imdiffusefilt (noisyImage);imshow (B)标题(与默认参数的各向异性扩散)
nB = ssim(我,B);disp ([“使用默认的各向异性扩散SSIM值是”num2str (nB),“。”])
SSIM值使用默认各向异性扩散是0.65665。
由噪声图像仍然是退化,所以改进过滤器。选择二次传导方法因为图像特征是更广泛的同质区域比高对比度的边缘。估计最优梯度阈值和使用的迭代次数imdiffuseest函数。由此产生的图像显示。
[gradThresh, numIter] = imdiffuseest (noisyImage,“ConductionMethod”,“二次”);C = imdiffusefilt (noisyImage“ConductionMethod”,“二次”,…“GradientThreshold”gradThresh,“NumberOfIterations”,numIter);imshow (C)标题(的各向异性扩散参数的估计)
数控= ssim (C);disp ([“SSIM值使用二次各向异性扩散”num2str (nC)“。”])
SSIM值使用二次各向异性扩散是0.88135。
生成图像噪声不太明显。SSIM值接近1,确认图像的质量得到了改善。
执行3 d Edge-Aware降噪
加载一个嘈杂的3 d灰度MRI体积。
负载mristack
执行edge-aware降噪量使用各向异性扩散。为了防止over-smoothing低对比度特征在大脑中,降低从默认的迭代次数多,5。权衡是低噪音。
diffusedImage = imdiffusefilt (mristack,“NumberOfIterations”3);
比较嘈杂的图像和过滤后的详细图像,显示第十片。
imshowpair (mristack (:: 10), diffusedImage (:,: 10),“蒙太奇”)标题(的嘈杂的图像(左)与Anisotropic-Diffusion-Filtered图像(右))
计算自然图像质量评估者(NIQE)平均得分超过所有片体积。NIQE分数提供了一个定量衡量图像质量,不需要参考图像。低NIQE分数反映更好的感知图像质量。
nframes =大小(mristack, 3);m = 0;d = 0;为i = 1: nframes m = m + niqe (mristack(:,:我));d = d + niqe (diffusedImage(:,:我));结束mAvg = m / nframes;dAvg = d / nframes;disp ([的NIQE分数嘈杂的体积是num2str (mAvg),“。”])
NIQE分数的嘈杂的体积是5.7794。
disp ([“使用各向异性扩散NIQE分数”num2str (dAvg),“。”])
NIQE分数使用各向异性扩散是4.1391。
NIQE分数符合减少噪音过滤图像的观察。
输入参数
输出参数
引用
[1]Perona一起,P。,和J。Malik. "Scale-space and edge detection using anisotropic diffusion."IEEE®交易模式分析与机器智能。7号卷。12日,1990年7月,页629 - 639。
[2]Gerig G。,O. Kubler, R. Kikinis, and F. A. Jolesz. "Nonlinear anisotropic filtering of MRI data."IEEE医学成像。2号卷。11日,1992年6月,第221 - 232页。
