各向異性相干增強演算法
此演算法是weickert2002發表的，對於線條較多的雜訊影象，可以有效地平滑線條、邊界，去除雜訊，並且對於超聲影象也有較好的效果。 此演算法的原理是對該影象某結構方向進行方向上的平滑，該方向是把特徵值小的特徵方向做為相干方向。
此演算法的方法是：
1.對原圖做方差為delta的高斯平滑gd;
2.求gd的結構張量du乘以du的轉置。
3.對此結構張量做方差為r的高斯平滑，得到jr。
4.求此結構張量的特徵值向量v1,v2和特徵值mu1,mu2。
5.設定新的特徵值lambda1 = c1;lambda2 = c1+(1-c1)exp(-c2/(u1-u2)^2)。
6.根據此特徵值和特徵根向量，構建新的結構張量d = （v1, v2）(lambda1 0 ) (v1t ) =(a b)
( 0 lambda2 ) (v2t) (b c)
7.結構張量矩陣乘以u的梯度矩陣j=(a b)（ux）=(j1)
(b c) (uy) (j2)
8.求j的散度dt = div(j);
9.更新ut= ut-1 + dt*deltat;
各向異性擴散
主要是用來平滑影象的，克服了高斯模糊的缺陷，各向異性擴散在平滑影象時是保留影象邊緣的 和雙邊濾波很像 通常我們有將影象看作矩陣的，看作圖的，看作隨機過程的，記得過去還有 看作力場的。這次新鮮，將影象看作熱量場了。每個畫素看作熱流，根據當前畫素和周圍畫素的關係，來確定是否要向周圍擴散。比如某個鄰域畫素...
各向異性擴散
主要是用來平滑影象的，克服了高斯模糊的缺陷，各向異性擴散在平滑影象時是保留影象邊緣的 和雙邊濾波很像 通常我們有將影象看作矩陣的，看作圖的，看作隨機過程的，記得過去還有 看作力場的。這次新鮮，將影象看作熱量場了。每個畫素看作熱流，根據當前畫素和周圍畫素的關係，來確定是否要向周圍擴散。比如某個鄰域畫素...
各向同性，各向異性縮放
r cnn的 中提到了各向同性，各向異性縮放的概念，這裡做乙個詳細解釋 當我們輸入一張時，我們要搜尋出所有可能是物體的區域，r cnn採用的就是selective search方法，通過這個演算法我們搜尋出2000個候選框。然後從r cnn的總流程圖中可以看到，搜出的候選框是矩形的，而且是大小各不相...