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: