实现option上下移动_Perona-Malik方程（各向同性非线性扩散实现图像滤波）

1. Perona-Malik方程

之前所使用的线性扩散图像滤波会对整幅图像“一视同仁”，不管是边缘纹理还是其他结构都会等同于噪声一起滤除。这会使图像过于平滑而且丢失很多高频信息。如果我们使用非线性扩散的方法，即：传导系数会随着图像的局部特征改变而改变，例如在图像平滑区域传导系数自适应增大可以更好的滤除噪声，在图像的边缘纹理区域系数自适应减小可以更好的保存图像边缘。

首先，PM扩散方程为：它的来源是将梯度的模值信息融合到传输系数中，并带入公式（5）可得：

其中

为梯度的模值：

，

为边缘函数，或者边缘停止函数。常用的边缘函数比如：

这里K是选定的常数，作用是控制g的下降速率。下图为p=1的条件下K=10, 20的下降曲线。

由于在图像的边缘中梯度的模值

取得极大值，而优化公式整体是求极小值的，为了避免在优化公式中引入负号，因此要引入一个单调递减而且是非负的边缘函数

，它可以保证在

取得极大值时，

取得局部极小值。它最早在图像分割和边缘检测问题中被提出，由于该函数的性质是可以将方程的解向着梯度变大的方向移动，最终停止在图像的边缘上，因此也被称为边缘停止函数。

2. P-M方程行为分析

首先将P-M方程简化为一维的情况分析：