ADM扩散模型原理解析与工程实践：从数学基础到高效实现

1次阅读

共计 1539 个字符，预计需要花费 4 分钟才能阅读完成。

在图像处理领域，噪声消除与边缘保持始终是一对矛盾体。以经典的高斯滤波为例，其数学模型可表示为：

$$ I_{\text{filtered}}(x,y) = \frac{1}{2\pi\sigma^2} \sum_{i,j} e^{-\frac{(i^2+j^2)}{2\sigma^2}} I(x+i,y+j) $$

尽管这种各向同性扩散能有效抑制高斯噪声，但实验数据显示：当处理 512×512 的 CT 影像时（测试设备：Intel i7-10750H），随着 σ 从 1 增加到 5，PSNR 从 28.6dB 提升到 32.1dB 的同时，边缘 SSIM 指数却从 0.92 骤降至 0.67。这种全局均匀的平滑策略会不可逆地损失高频细节。

ADM 的核心创新在于引入扩散系数函数 $g(\nabla I)$，构建非线性偏微分方程：

$$ \frac{\partial I}{\partial t} = \text{div}(g(|\nabla I|) \nabla I) $$

其中扩散系数函数通常采用：

$$ g(|\nabla I|) = \frac{1}{1 + (\frac{|\nabla I|}{K})^2} $$

关键参数 K 的物理意义是梯度阈值——当局部梯度 $|\nabla I| \ll K$ 时进行强扩散（$g≈1$），在边缘区域 $|\nabla I| \gg K$ 时弱扩散（$g≈0$）。这种自适应的各向异性特性，使得在保持 PSNR 31.5dB 水平下，边缘 SSIM 可维持在 0.89 以上。

# OpenCV 4.5.5 + Numba 0.55.1
import cv2
import numpy as np
from numba import jit

@jit(nopython=True)
def adm_core(img, K=25, dt=0.1, iterations=20):
    """
    ADM 核心计算函数
    :param img: 输入灰度图像 (0-255)
    :param K: 梯度阈值 (建议 15-30)
    :param dt: 时间步长 (需 <0.25 保证稳定性)
    :param iterations: 扩散迭代次数
    """
    ... # 核心计算逻辑

# 多尺度处理示例
for scale in [1.0, 0.5, 0.25]:
    resized = cv2.resize(img, None, fx=scale, fy=scale)
    processed = adm_core(resized, K=25/scale)
    result = cv2.resize(processed, (img.shape[1], img.shape[0]))

在 1080P 图像（1920×1080）上的测试数据（RTX 3060 Ti）：