图像的各向异性扩散

《X-ray Image Enhancement using a Modified Anisotropic Diffusion》
这篇文章中使用了图像各项异性扩散的方法。
这篇文章的算法思路是：

1.对输入图像进行直方图均衡化
2.使用K-means聚类方法作为权重进行各项异性扩散

各项异性扩散类似于双边滤波跟引导滤波，考虑了邻域像素的梯度问题，能够保持边缘同时进行局部平滑操作。这篇文章思路很简答，能启发性的尝试将其他增强方法与各项异性的方法相结合克服对比度增强与边缘细节保持不能同时兼顾的问题。

在网上找到了其他博主写的各向异性的matlab代码：

clear all;
close all;
clc;

k=15;           %导热系数,控制平滑
lambda=0.15;    %控制平滑
N=20;           %迭代次数
img=double(imread('lena.jpg'));
imshow(img,[]);
[m n]=size(img);

imgn=zeros(m,n);
for i=1:N

    for p=2:m-1
        for q=2:n-1
            %当前像素的散度，对四个方向分别求偏导，局部不同方向上的变化量，
            %如果变化较多，就证明是边界，想方法保留边界
            NI=img(p-1,q)-img(p,q);
            SI=img(p+1,q)-img(p,q);
            EI=img(p,q-1)-img(p,q);
            WI=img(p,q+1)-img(p,q);
            
            %四个方向上的导热系数，该方向变化越大，求得的值越小，从而达到保留边界的目的
            cN=exp(-NI^2/(k*k));
            cS=exp(-SI^2/(k*k));
            cE=exp(-EI^2/(k*k));
            cW=exp(-WI^2/(k*k));
            
            imgn(p,q)=img(p,q)+lambda*(cN*NI+cS*SI+cE*EI+cW*WI);  %扩散后的新值      
        end
    end
    
    img=imgn;       %整个图像扩散完毕，用已扩散图像的重新扩散。
end

figure;
imshow(imgn,[]);