基于扩散方程的图像去噪与边缘增强系统

资 源 简 介

本项目基于偏微分方程（PDE）理论，在MATLAB环境中完整实现了扩散方程的数值解法，旨在解决计算机视觉领域的图像恢复与增强问题。主要功能模块包括线性扩散（各向同性扩散）与非线性扩散（各向异性扩散）的算法实现。其中，线性扩散模拟热传导过程，用于整体图像平滑和高频噪声去除；非线性扩散基于Perona-Malik模型，通过计算图像梯度的幅值动态调整扩散系数，实现在平滑内部区域纹理的同时有效阻断跨越边缘的扩散，从而达到去噪且保边的效果。项目具体实现了有限差分算子来离散化连续的偏微分方程，并通过迭代算法模拟图像随时间的演化过程。该代码可广泛应用于医学影像去噪、低照度图像增强、边缘检测前处理以及纹理分析等场景，支持用户交互式调整迭代次数、时间步长和传导系数阈值，以获得最优的图像处理效果。

详 情 说 明

基于扩散方程的图像去噪与边缘增强系统

项目简介

本项目是一个基于偏微分方程（PDE）理论的MATLAB图像处理系统。项目完整实现了线性扩散（各向同性）与非线性扩散（Perona-Malik各向异性）两种数值求解算法，旨在解决计算机视觉中的去噪与边缘保持问题。

通过模拟物理热传导过程和自适应扩散过程，该系统能够对比分析传统高斯平滑与保边滤波在去除高斯白噪声时的性能差异。系统内置了完整的评估体系，包括峰值信噪比（PSNR）和信噪比（SNR）计算，以及包含原图、处理结果及边缘梯度的可视化对比展示。

功能特性

• 智能数据输入：自动尝试加载标准测试图像（peppers.png），若文件缺失，则自动调用生成算法创建包含几何特征的合成测试图像。
• 噪声模拟环境：内置高斯白噪声生成模块，自动将图像归一化并添加指定方差的噪声，用于模拟真实退化环境。
• 双重扩散算法：

* 线性扩散：基于热传导方程，实现各向同性平滑。 * Perona-Malik非线性扩散：基于各向异性扩散方程，根据梯度幅值动态调整扩散系数，实现"区域内平滑、边缘处阻断"。

• 量化评估指标：自动计算处理前后图像的MSE（均方误差）、PSNR（峰值信噪比）和SNR（信噪比）。
• 全方位可视化：提供由6个子图组成的综合面板，直观展示去噪效果对比及边缘保留情况。

系统要求与使用方法

• 运行环境：MATLAB
• 依赖工具箱：Image Processing Toolbox (用于 imread, imnoise, rgb2gray, conv2 等函数)
• 启动方式：直接运行 main 函数即可启动整个流程。

核心算法实现细节

本项目中的算法逻辑完全基于有限差分法对偏微分方程进行离散化求解，以下是代码的实际实现逻辑：

1. 线性扩散 (Linear Diffusion)

该模块模拟物理热传导过程，等效于高斯低通滤波。

• 实现原理：利用拉普拉斯算子近似图像的二阶导数。
• 离散化方案：

* 使用 3x3 的离散拉普拉斯卷积核 [0 1 0; 1 -4 1; 0 1 0]。 * 采用 欧拉向前差分 (Euler Forward) 方法进行时间步迭代。 * 迭代公式：I(n+1) = I(n) + dt * (I_xx + I_yy)，其中 I_xx + I_yy 通过卷积计算获得。

2. 非线性扩散 (Perona-Malik Diffusion)

该模块实现了各向异性扩散，核心在于通过梯度控制传导系数（Diffusivity）。

• 实现原理：在四个方向（北、南、东、西）上分别计算梯度和对应的扩散系数。
• 向量化计算：代码未采用低效的逐像素循环，而是利用MATLAB的矩阵移位操作高效计算全图的四个方向差分（Nabla N/S/E/W）。
• 扩散系数函数：代码支持两种扩散模型（由参数 option 控制）：

* 模型 1：高斯型衰减 exp(-(nabla/kappa)^2)，适用于保留高对比度边缘。 * 模型 2：洛伦兹型衰减 1 / (1 + (nabla/kappa)^2)，适用于保留较宽的区域。

• 迭代更新：结合四个方向的通量进行更新：

I(n+1) = I + dt * (cN*dN + cS*dS + cE*dE + cW*dW)。

系统流程与参数说明

处理流程 (main函数逻辑)

1. 初始化：清理工作区，加载或生成图像，归一化并添加高斯噪声（Sigma=0.05）。
2. 参数配置：

* iter_num (默认30)：控制扩散的时间步数。 * dt (默认0.20)：时间步长，满足CFL稳定性条件。 * kappa (默认0.15)：梯度阈值，决定了多大的梯度被视为边缘。 * option (默认2)：选择导数系数模型。

1. 算法执行：分别调用线性扩散和非线性扩散函数。
2. 评估：计算含噪图、线性去噪图、PM去噪图相对于原图的PSNR和SNR。
3. 可视化：

* 第一行：含噪图、线性扩散结果、PM扩散结果。 * 第二行：原始图像边缘、线性扩散后边缘（显示边缘模糊）、PM扩散后边缘（显示边缘保留）。

辅助功能

• 梯度可视化：使用 gradient 函数计算x和y方向梯度，合成梯度幅值 sqrt(Gx^2 + Gy^2) 用于展示边缘清晰度。
• 合成图像生成：当读取外部图片失败时，通过 meshgrid 和指数函数生成包含高斯曲面和矩形块的合成图像，确保程序在任何环境下均可运行。