热传导与图像处理：非线性各项异性扩散

首先，用通俗的语言说明两个基本概念，非线性和各向异性

非线性，可以从线性说起，不严谨的说，如果两个变量之间的关系是一次函数，那么就说他们是线性关系，比如一维的一条直线：

y=kx+b，k和b都是实数，表示为:

两者关系不是线性的，那就是非线性的，典型的，多次函数，幂指数，逻辑函数等。

各向异性，先从各项同性说起。这个可以举一个简单的例子，二维高斯函数，只要该点离高斯中心点的距离相同，那么得到的函数值就相同：

例如，上图中颜色相同的等高线，不管该点处于哪个方向，只要离中心点的距离相同，那么值就是相同的。这个简单的例子可以帮助我们理解各项同性，那么很自然的想到，如果将上述高斯函数做一点小变化，把x变为x/2，那么等高线就不再是圆了，各当方向不同的时候，尽管距离相同，那值也是不同的，因此是各向异性的。

这两个概念有助于我们理解各向异性扩散的核心思想。

各向异性扩散滤波，是一种针对噪声的保边滤波器，保边意思就是在磨平噪声的同时，保留边沿。因为大多数的噪声是孤立的点，就像是二维高斯函数的图像一样，是各向同性的，影响图像质量。而有意义的目标边沿，其边沿点一般不是孤立的，表现为线、拐角等，这些是有意义的信息，在滤波的过程中应该保留。那很自然的一种想法就是使用各向异性类型的滤波器。

拉普拉斯滤波器是提取图像边沿信息的有效工具之一，经过拉氏算子卷积后的特征图，体现了原图像中的极值点信息，其实也是一种高频信息，具体表现为，如果这个像素是极大值，则特征图像素值为负，如果是极小值点，特征图像素值为正。仅有x和y方向的5像素拉氏滤波器模板表示为：

使用迭代法，计算每一步滤掉的那一部分图像：