coherence_enhancing_diff — 2D `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)

coherence_enhancing_diff: 入力 → 出力

*Die Abbildung ist die tatsächliche Ausgabe auf einer synthetischen 128×128-Eingabe. Links Eingabe, rechts Ausgabe (ein Nicht-Bild-Rückgabewert wird als Wert gezeigt).*

Verwendung

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。

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.

In Studio ausprobieren

Das Programm unten ist nachweislich lauffähig (gleiche Eingabe wie die Abbildung). In der Studio-Hilfe wird dieser Block zu Schaltflächen, die es sofort laden und ausführen.