dl_aniso_diffusion — 2D smoothing op

• 데이터 종류: image → image

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

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

사용법

Perona-Malik 유형의 이방성 확산 필터(torch 구현, GPU가 있으면 GPU에서 실행).

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

上下左右 4 方向の差分にそれぞれ `exp(-(差分/K)^2)` の伝導度を掛けてから加算する

反復拡散で、勾配が大きい（エッジらしい）場所ほど拡散が弱まり、エッジを保ったまま

平滑化する。`a はエッジ検出しきい値 K を 0.02〜0.22 に振る（`K = 0.02 +

0.2*a`、大きいほどエッジを跨いで拡散しやすくなる）。b` は反復回数を 5〜20 回に

振る（`iters = 5 + int(b*15)）。ステップ幅 lam=0.2` は固定。ガウシアンぼかしと

異なりエッジをぼかさずにノイズだけ均せるのが利点。HALCON の

`anisotropic_diffusion`（画像の異方性拡散を行う）に相当するが、同じ結果になる

とは限らない近似実装。

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.