imdiffusefilt

Filtrado por difusión anisotrópica de imágenes

Sintaxis

J = imdiffusefilt(I)

J = imdiffusefilt(I,Name=Value)

Descripción

J = imdiffusefilt(I) aplica el filtrado por difusión anisotrópica a la imagen I y devuelve el resultado en J.

J = imdiffusefilt(I,Name=Value) usa argumentos nombre-valor para cambiar el comportamiento del algoritmo de difusión anisotrópica.

Ejemplos

Realizar un suavizado que conserve los bordes utilizando la difusión anisotrópica

Lea una imagen en el área de trabajo y muéstrela.

I = imread("cameraman.tif");
imshow(I)
title("Original Image")

Suavice la imagen utilizando la difusión anisotrópica. Para su comparación, suavice también la imagen con el desenfoque gaussiano. Ajuste la desviación estándar sigma del núcleo de suavizado gaussiano para que las regiones texturizadas como la hierba se suavicen en una cantidad similar para ambos métodos.

Idiffusion = imdiffusefilt(I);
sigma = 1.2;
Igaussian = imgaussfilt(I,sigma);

Muestre los resultados. La difusión anisotrópica conserva mejor la nitidez de los bordes que el desenfoque gaussiano.

montage({Idiffusion,Igaussian})
title("Smoothing Using Anisotropic Diffusion (Left) vs. Gaussian Blurring (Right)")

Realizar una reducción del ruido con capacidad para detectar bordes utilizando la difusión anisotrópica

Lea una imagen en escala de grises y aplíquele ruido gaussiano fuerte. Muestre la imagen con ruido.

I = imread('pout.tif');
noisyImage = imnoise(I,'gaussian',0,0.005);
imshow(noisyImage)
title('Noisy Image')

Calcule el índice de similitud estructural (SSIM) para medir la calidad de la imagen con ruido. Cuanto más se acerque el valor SSIM a 1, mayor será la concordancia de la imagen con la imagen de referencia sin ruido.

n = ssim(I,noisyImage);
disp(['The SSIM value of the noisy image is ',num2str(n),'.'])

The SSIM value of the noisy image is 0.26556.

Reduzca el ruido mediante difusión anisotrópica. En primer lugar, pruebe los parámetros predeterminados para el filtro de difusión anisotrópica y muestre el resultado.

B = imdiffusefilt(noisyImage);
imshow(B)
title('Anisotropic Diffusion with Default Parameters')

nB = ssim(I,B);
disp(['The SSIM value using default anisotropic diffusion is ',num2str(nB),'.'])

The SSIM value using default anisotropic diffusion is 0.65665.

La imagen sigue degradada por el ruido, así que mejore el filtro. Elija el método de conducción cuadrática porque la imagen se caracteriza más por amplias regiones homogéneas que por bordes de alto contraste. Estime el umbral de gradiente óptimo y el número de iteraciones utilizando la función imdiffuseest. Muestre la imagen resultante.

[gradThresh,numIter] = imdiffuseest(noisyImage,'ConductionMethod','quadratic');
C = imdiffusefilt(noisyImage,'ConductionMethod','quadratic', ...
    'GradientThreshold',gradThresh,'NumberOfIterations',numIter);
imshow(C)
title('Anisotropic Diffusion with Estimated Parameters')

nC = ssim(I,C);
disp(['The SSIM value using quadratic anisotropic diffusion is ',num2str(nC),'.'])

The SSIM value using quadratic anisotropic diffusion is 0.88135.

El ruido es menos evidente en la imagen resultante. El valor SSIM, más próximo a 1, confirma que la calidad de la imagen ha mejorado.

Reducción de ruido 3D con capacidad para detectar bordes

Cargue el volumen de una resonancia magnética 3D en escala de grises con ruido.

load mristack

Realizar una reducción del ruido con capacidad para detectar bordes en el volumen mediante difusión anisotrópica. Para evitar suavizar en exceso las características de bajo contraste en el cerebro, disminuya el número de iteraciones respecto al número predeterminado, 5. Como contrapartida, se elimina menos ruido.

diffusedImage = imdiffusefilt(mristack,'NumberOfIterations',3);

Para comparar en detalle la imagen con ruido y la imagen filtrada, muestre el décimo corte de ambas.

imshowpair(mristack(:,:,10),diffusedImage(:,:,10),'montage')
title('Noisy Image (Left) vs. Anisotropic-Diffusion-Filtered Image (Right)')

Calcule la puntuación del Evaluador de la calidad de imágenes naturales (NIQE) promediada en todos los cortes del volumen. La puntuación del NIQE proporciona una medida cuantitativa de la calidad de la imagen que no requiere una imagen de referencia. Las puntuaciones del NIQE más bajas reflejan una mejor calidad perceptiva de la imagen.

nframes = size(mristack,3);
m = 0;
d = 0;
for i = 1:nframes
    m = m + niqe(mristack(:,:,i));
    d = d + niqe(diffusedImage(:,:,i));
end
mAvg = m/nframes;
dAvg = d/nframes;
disp(['The NIQE score of the noisy volume is ',num2str(mAvg),'.'])

The NIQE score of the noisy volume is 5.7794.

disp(['The NIQE score using anisotropic diffusion is ',num2str(dAvg),'.'])

The NIQE score using anisotropic diffusion is 4.1391.

La puntuación del NIQE es coherente con la observación de la reducción del ruido en la imagen filtrada.

Argumentos de entrada

I — Imagen que se desea filtrar

Imagen 2D en escala de grises | Volumen 3D en escala de grises

Imagen que se desea filtrar, especificada como imagen 2D en escala de grises de tamaño m por n o volumen 3D en escala de grises de tamaño m por n por k.

Nota

Para aplicar el filtrado por difusión anisotrópica a una imagen en color, utilice imdiffusefilt en cada canal de color de forma independiente.

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Argumentos de par nombre-valor

Especifique pares de argumentos opcionales como Name1=Value1,...,NameN=ValueN, donde Name es el nombre del argumento y Value es el valor correspondiente. Los argumentos de nombre-valor deben aparecer después de otros argumentos. Sin embargo, el orden de los pares no importa.

Ejemplo: imdiffusefilt(I,NumberOfIterations=4,Connectivity="minimal") realiza la difusión anisotrópica en la imagen I utilizando 4 iteraciones y una conectividad mínima.

En las versiones anteriores a la R2021a, use comas para separar cada nombre y valor, y encierre Name entre comillas.

Ejemplo: imdiffusefilt(I,"NumberOfIterations",4,"Connectivity","minimal") realiza la difusión anisotrópica en la imagen I utilizando 4 iteraciones y una conectividad mínima.

GradientThreshold — Umbral de gradiente

Escalar numérico | Vector numérico

Umbral de gradiente, especificado como un escalar numérico o un vector numérico de longitud NumberOfIterations. El valor de GradientThreshold controla el proceso de conducción clasificando los valores de gradiente como un borde real o como ruido. Incrementar el valor de GradientThreshold suaviza más la imagen. El valor predeterminado es el 10% del rango dinámico de la imagen. Puede utilizar la función imdiffuseest para estimar un valor adecuado de GradientThreshold.

NumberOfIterations — Número de iteraciones

5 (predeterminado) | entero positivo

Número de iteraciones que desea usar en el proceso de difusión, especificado como un entero positivo. Puede utilizar la función imdiffuseest para estimar un valor adecuado de NumberOfIterations.

Connectivity — Conectividad

"maximal" (predeterminado) | "minimal"

Conectividad de un píxel con sus vecinos, especificada como uno de estos valores:

• "maximal": considera los 8 vecinos más próximos para las imágenes 2D y los 26 vecinos más próximos para las imágenes 3D.

• "minimal": considera los 4 vecinos más próximos para las imágenes 2D y los 6 vecinos más próximos para las imágenes 3D.

ConductionMethod — Método de conducción

"exponential" (predeterminado) | "quadratic"

Método de conducción, especificado como "exponential" o "quadratic". La difusión exponencial favorece los bordes de alto contraste frente a los de bajo contraste. La difusión cuadrática favorece las regiones amplias frente a las más pequeñas.

Argumentos de salida

J — Imagen filtrada por difusión

Arreglo numérico

Imagen filtrada por difusión, devuelta como un arreglo numérico del mismo tamaño y tipo de datos que la imagen de entrada, I.

Referencias

[1] Perona, P., and J. Malik. "Scale-space and edge detection using anisotropic diffusion." IEEE^® Transactions on Pattern Analysis and Machine Intelligence. Vol. 12, No. 7, July 1990, pp. 629–639.

[2] Gerig, G., O. Kubler, R. Kikinis, and F. A. Jolesz. "Nonlinear anisotropic filtering of MRI data." IEEE Transactions on Medical Imaging. Vol. 11, No. 2, June 1992, pp. 221–232.

Capacidades ampliadas

Entorno basado en subprocesos

Ejecute código en segundo plano con MATLAB® backgroundPool o acelere código con Parallel Computing Toolbox™ ThreadPool.

Esta función es totalmente compatible con los entornos basados en hilos. Para obtener más información, consulte Ejecutar funciones de MATLAB en entornos basados en subprocesos.

Historial de versiones

Introducido en R2018a

R2022b: Compatibilidad con entornos basados en hilos

Ahora imdiffusefilt es compatible con los entornos basados en hilos.

Consulte también

imdiffuseest | imfilter | imgaussfilt | imguidedfilter | locallapfilt | imnlmfilt | specklefilt (Medical Imaging Toolbox)