sk_tv_bregman — 2D `smoothing` op

• Datenarten: image → image

• Aufruf: fullseye.apply(img, "sk_tv_bregman", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

Verwendung

Rauschunterdrückung durch totale Variation (TV denoising, Split-Bregman-Verfahren). Verfolgt dasselbe TV-Regularisierungskonzept wie sk_tv, verwendet jedoch einen anderen Optimierungsalgorithmus (Bregman-Splitting), der als schneller konvergierend gilt.

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

HALCON に直接対応するものは無い。実装は `restoration.denoise_tv_bregman(v, weight=1.0+8.0*a) を [0,1] へ clip したもの —— a は weight を 1.0〜9.0 に振るが、この関数の weight は**小さいほど強く平滑化される**(sk_tv の weight とは符号の向きが逆 —— denoise_tv_chambolle は大きいほど強く、denoise_tv_bregman` は小さいほど強い。混同すると意図と逆方向に a を動かすことになるので注意)。b は未使用。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_smoothing_rank

Referenzen (Beispieldaten, Literatur)

• 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.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• gallery2d_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py

Typkompatible Folge-Operatoren (nehmen `image` als Eingabe)

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

Gleiche Kategorie (`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).*

sk_tv_bregman — 2D smoothing op