各向异性扩散滤波

各向异性扩散滤波主要是用来平滑图像的，克服了高斯模糊的缺陷，各向异性扩散在平滑图像时是保留图像边缘的，和双边滤波很像。

通常我们有将图像看作矩阵的，看作图的，看作随机过程的，记得过去还有看作力场的。这次新鲜，将图像看作热量场了。每个像素看作热流，根据当前像素和周围像素的关系，来确定是否要向周围扩散。比如某个邻域像素和当前像素差别较大，则代表这个邻域像素很可能是个边界，那么当前像素就不向这个方向扩散了，这个边界也就得到保留了。

具体的推导公式都是热学上的，自己也不太熟悉，感兴趣的可以去看原论文，引用量超7000吶。我这里只介绍一下最终结论用到的公式。
主要迭代方程如下：

I就是图像了，因为是个迭代公式，所以有迭代次数t。
四个散度公式是在四个方向上对当前像素求偏导，news就是东南西北嘛，公式如下：

而cN/cS/cE/cW则代表四个方向上的导热系数，边界的导热系数都是小的。公式如下：

最后整个公式需要先前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。

#include   
#include   
using namespace cv;
using namespace std;
float k = 15;
float lambda = 0.25;
int N = 20;
void anisotropy_demo(Mat &image, Mat &result);
int main1(int argc, char** argv) {
	Mat src = imread("3992.jpg");
	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", src);
	vector mv;
	vector results;
	split(src, mv);
	for (int n = 0; n < mv.size(); n++) {
		Mat m = Mat::zeros(src.size(), CV_32FC1);
		mv[n].convertTo(m, CV_32FC1);
		results.push_back(m);
	}
	int w = src.cols;
	int h = src.rows;
	Mat copy = Mat::zeros(src.size(), CV_32FC1);
	for (int i = 0; i < N; i++) {
		anisotropy_demo(results[0], copy);
		copy.copyTo(results[0]);
		anisotropy_demo(results[1], copy);
		copy.copyTo(results[1]);
		anisotropy_demo(results[2], copy);
		copy.copyTo(results[2]);
	}
	Mat output;
	normalize(results[0], results[0], 0, 255, NORM_MINMAX);
	normalize(results[1], results[1], 0, 255, NORM_MINMAX);
	normalize(results[2], results[2], 0, 255, NORM_MINMAX);
	results[0].convertTo(mv[0], CV_8UC1);
	results[1].convertTo(mv[1], CV_8UC1);
	results[2].convertTo(mv[2], CV_8UC1);
	Mat dst;
	merge(mv, dst);
	imshow("result", dst);
	imwrite("result.jpg", dst);
	waitKey(0);
	return 0;
}
void anisotropy_demo(Mat &image, Mat &result) {
	int width = image.cols;
	int height = image.rows;
	// 四邻域梯度  
	float n = 0, s = 0, e = 0, w = 0;
	// 四邻域系数  
	float nc = 0, sc = 0, ec = 0, wc = 0;
	float k2 = k*k;
	for (int row = 1; row < height - 1; row++) {
		for (int col = 1; col < width - 1; col++) {
			// gradient  
			n = image.at(row - 1, col) - image.at(row, col);
			s = image.at(row + 1, col) - image.at(row, col);
			e = image.at(row, col - 1) - image.at(row, col);
			w = image.at(row, col + 1) - image.at(row, col);
			nc = exp(-n*n / k2);
			sc = exp(-s*s / k2);
			ec = exp(-e*e / k2);
			wc = exp(-w*w / k2);
			result.at(row, col) = image.at(row, col) + lambda*(n*nc + s*sc + e*ec + w*wc);
		}
	}
}

void anisotropic_diffusion(cv::Mat &out, cv::Mat &in, int k, float lambda);
void anisotropic_diffusion(cv::Mat &out, cv::Mat &in, int k, float lambda)
{
	int i, j;
	int iter = 20;
	int nRow = in.rows, nCol = in.cols;
	float ei, si, wi, ni;
	float ce, cs, cw, cn;

	cv::Mat tmp = in.clone();
	uchar *pin = in.data;
	uchar *ptmp = tmp.data;
	uchar *pout = out.data;

	for (int n = 0; n < iter; n++)
	{
		for (i = 1; i < nRow - 1; i++)
		for (j = 1; j < nCol - 1; j++)
		{
			float cur = ptmp[i*nCol + j];
			ei = ptmp[(i - 1)*nCol + j] - cur;
			si = ptmp[i*nCol + j + 1] - cur;
			wi = ptmp[(i + 1)*nCol + j] - cur;
			ni = ptmp[i*nCol + j - 1] - cur;

			ce = exp(-ei*ei / (k*k));
			cs = exp(-si*si / (k*k));
			cw = exp(-wi*wi / (k*k));
			cn = exp(-ni*ni / (k*k));

			pout[i*nCol + j] = cur + lambda*(ce*ei + cs*si + cw*wi + cn*ni);
		}
		out.copyTo(tmp);
	}
}
int main(int argc, char** argv) {
	Mat src = imread("3992.jpg",0);
	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", src);
	
	Mat dst = src.clone();
	double t1 = getTickCount();
	int k = 15;
	float lambda = 0.25;
	anisotropic_diffusion(dst, src, k, lambda);
	double t2 = getTickCount();
	cout << (t2 - t1) / getTickFrequency() * 1000 << endl;
	imshow("result", dst);
	imwrite("result.jpg", dst);
	waitKey(0);
	return 0;
}