coherence_enhancing_diff — 2D smoothing op

• 데이터 종류: image → image

• 호출: fullseye.apply(img, "coherence_enhancing_diff", a=0.5, b=0.5)(2-D 는 이미지 1 장 + 스칼라 노브 2 개 a,b∈[0,1] 모델)

• HALCON 대응: coherence_enhancing_diff(의미·매개변수는 HALCON 레퍼런스가 참고가 됩니다)

사용법

구현은 `anisotropic_diffusion과 동일하다(kind: "anisotropic"). 본래의 coherence-enhancing diffusion은 구조 텐서의 고유벡터를 따라 확산 방향을 제어하는(선형 구조를 이어주는) 기법이지만, 이 대체 구현은 구조 텐서 계산을 수행하지 않고 단순한 Perona-Malik 이방성 확산으로 대신한다(근사의 한계 —— 선형 구조의 연결 효과는 재현되지 않는다). HALCON의 coherence_enhancing_diff`(Perform a coherence enhancing diffusion of an image.)의 대역이다.

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

`a が反復回数、b` が伝導度閾値 K を振る。両方が使われる。

자세한 사용 가이드

• gallery2d_smoothing_rank 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• gallery2d_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py

타입이 이어지는 다음 연산자(image 를 입력으로 받는 것)

identity · gaussian · mean_box · bilateral · unsharp · median · min_filter · max_filter

같은 카테고리(smoothing)

gaussian · mean_box · bilateral · unsharp · sk_tv · sk_wavelet · sk_rolling_ball · sk_nlm

*Provenance: ops.py — 2D 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.