smoothing op• Datenarten: image → image
• Aufruf: fullseye.apply(img, "coherence_enhancing_diff", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])
• HALCON-Äquivalent: coherence_enhancing_diff (Bedeutung und Parameter sind in der HALCON-Referenz nachzulesen)
Die Implementierung ist identisch mit `anisotropic_diffusion (kind: "anisotropic"). Echte coherence-enhancing diffusion steuert die Diffusionsrichtung entlang der Eigenvektoren des Strukturtensors (um linienförmige Strukturen zu verbinden), aber dieser Ersatz berechnet keinen Strukturtensor und verwendet stattdessen die einfache anisotrope Perona-Malik-Diffusion (eine Grenze der Annäherung -- der Verbindungseffekt linienförmiger Strukturen wird nicht reproduziert). Ein Platzhalter für HALCONs coherence_enhancing_diff` (Perform a coherence enhancing diffusion of an image.).
> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.
`a が反復回数、b` が伝導度閾値 K を振る。両方が使われる。
• Leitfaden zur Familie gallery2d_smoothing_rank
• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).
• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.
• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.
• gallery2d_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py
image als Eingabe)identity · gaussian · mean_box · bilateral · unsharp · median · min_filter · max_filter
smoothing)gaussian · mean_box · bilateral · unsharp · sk_tv · sk_wavelet · sk_rolling_ball · sk_nlm
*Provenance: ops.py — 2D Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.