此代码将帮助您进行扩散过程。它处理各向异性扩散

利用各向异性扩散滤波模型对图像进行平滑的过程中，迭代停止准则对图像平滑的效果有着重要的影响。本文提出了一种简单实用的最优停止准则，该准则确定了一个标准，使得平滑后的图像与噪声的相关性最小时停止迭代。它易于实现而且有很强的通用性。实验结果表明该算法可以在图像平滑过程中适时地停止迭代，获得满意的图像平滑效果。

在这项工作中，作者修改了经典的 Perona-Malik (PM) 扩散模型来处理乘法噪声，并且我们添加了一个合适的正则化项，该项经过统计建模以减轻超声图像中的乘法效应。 我们的兴趣是强调平面图像区域的正则化，同时保持合理的边缘和轮廓。 主观和定量评估表明，与 Perona-Malik、Charbonneir、Guo 等人等一些最先进的方法相比，所提出的模型产生了更好的结果。 和总变异

matlab除噪声代码DD-SRAD DD-SRAD代表距离驱动散斑减少各向异性扩散，用于消除SAR时间堆栈的噪声。 该代码是为与MATLAB一起使用而编写的。 用于对合成Kong径雷达数据的时间堆栈进行去噪，但可用于随时间推移而被噪声破坏的任何图像数据。 可以在下面列出的相关论文中找到更多详细信息。 如果使用此代码，请引用以下内容： N. Tabassum，A。Vaccari和S. Acton，“通过合成Kong径雷达时间堆栈的距离驱动各向异性扩散进行斑点去除和变化保留”，《数字信号处理》，第1卷。 74，第43-55页，2018年。 该代码提供了两个数据集，一个是合成生成的，另一个是一组实际SAR幅度数据。 原始合成数据也包括在内以进行比较。 要运行演示，请运行DD_SRAD.m。 如有任何疑问，请联系。 谢谢！

利用自适应各向异性扩散的方法进行医学图像的处理，在各向异性的基础上添加了自适应算法，使得梯度阈值K能根据不同区域的图像特征有所不同。其中各向异性扩散算法是从网上找的但是我做了一些修改，自适应部分算法是我自己加的。

本文提出了一种基于非下采样Contourlet变换与非线性各向异性扩散的方法进行含噪图像的去噪和增强。首先对含噪图像进行非下采样Contourlet分解，对每个分解层的各个子带进行非线性收缩和拉伸，以达到抑制噪声和增强图像特征的目的。然后，对去噪增强后图像的Contourlet小系数进行空间域的非线性各向异性扩散，以去除由于进行非下采样Contourlet去噪所造成的为伪Gibbs现象和 side-band效应。实验结果表明，本文方法相比于无扩散的Wavelet和Contourlet方法相比，不仅对图像进行了去噪和增强，而且有效的抑制了伪Gibbs现象和 side-band效应。

本书涵盖了用于数字图像增强和多尺度图像表示的非线性偏微分方程（PDE）方法背后的主要思想。

各向异性扩散滤波，MATALB 程序。可调试运行。 设置的参数主要有三个，迭代次数t，根据情况设置； 导热系数相关的k，取值越大越平滑， %越不易保留边缘； lambda同样也是取值越大越平滑

DPAD 实现了两种不同的基于各向异性扩散的散斑过滤方案： -SRAD（减少斑点AD） -DPAD（细节保留广告） 这两种方法都基于 Frost 和 Kuan 的 LMMSE 滤波器对乘法噪声的各向异性扩展。 滤波器的优劣基于对噪声变异系数的正确估计。 扩散也可以使用实现半隐式方案的AOS运算符完成。 论文中的方法解释如下： 于 Y，阿克顿 ST。 散斑减少各向异性扩散。 IEEE Trans 图像处理。 2002;11(11):1260-70。 S. Aja-Fernandez、C. Alberola Lopez，关于各向异性扩散散斑滤波的变异系数的估计，IEEE Trans。 图像处理，第 15 卷，没有。 9，2006 年 9 月。 基于 Yu 和 Acton 实现的 SRADDIF 工具箱的工具箱（基于 Frederico D'Almeida 的“非线性扩散工具箱”

我们提出了一个扩散导向模型，该模型在总变异和 Perona-Malik 模型之间提供了有效的相互作用。 框架中引入了两个参数来凸化我们的能量函数。 此外，为了处理乘法噪声，我们在框架中加入了基于对数的先验。 实证结果表明，所提出的方法生成更清晰和详细的图像。 更重要的是，我们的框架可以在更长的时间内发展，而不会弄脏关键的图像特征。