Traducido del inglés al español - www.onlinedoctranslator.
com
2018 15ª Multiconferencia Internacional sobre Sistemas, Señales y Dispositivos (SSD)
Una implementación FPGA eficiente de Anisotropic
Función de difusión para imágenes médicas
1S tAmira Hadj Fredj 2Dakota del NorteJihene Malek
EµELaboratorio EµELaboratorio
Facultad de Ciencias, Universidad de Monastir ISSAT
Monastir, Túnez Susa, Túnez
amira.hadjfredj@gmail.com jihenmalek14@gmail.com
Resumen—El filtro de difusión anisotrópica es una técnica muy útil en el
procesamiento de imágenes. Se ha demostrado que este método de filtrado
es eficaz para mejorar la calidad visual de las imágenes médicas y como
preprocesamiento previo al procesamiento avanzado de imágenes. Sin
embargo, utilizando la implementación de software estándar, es demasiado
difícil realizar un filtrado de difusión anisotrópica en tiempo real debido a su
complejidad aritmética. Para superar este problema, el diseño de hardware
es la opción ideal. Este documento proporciona el algoritmo y la
implementación de la calculadora del coeficiente de difusión en FPGA. La
función se ha implementado y sintetizado con éxito utilizando la FPGA Xilinx
ZYNQ-7 ZC702. La plataforma muestra que la calculadora del coeficiente de
difusión puede operar a una frecuencia máxima de 210 MHz. Los resultados
experimentales revelan una143×y5× mejora del rendimiento con respecto a
la implementación original de C++ y la implementación de GPU mediante el
uso de la tarjeta NVIDIA Geforce 840M, respectivamente.
Términos del Índice—Difusión anisotrópica, suavizado de preservación de
bordes, FPGA, aceleración de hardware, sistemas en tiempo real
yo yoNTRODUCCIÓN
El procesamiento de imágenes y videos se convirtió en un tema de
interés en diferentes áreas como las aplicaciones médicas y tecnológicas.
Muchos investigadores se han centrado en el procesamiento de imágenes
que ayuda a analizar y tomar decisiones [1], [2], [3]. Por lo tanto, el objetivo
es mejorar la calidad del procesamiento de imágenes y videos para la
interpretación humana [4], [5], [6]. Eliminar el ruido de la imagen o el video
ayuda a mejorar la calidad de la imagen o el video [7], [8], [9]. Para eliminar
el ruido de la imagen, se deben utilizar técnicas de filtrado. El filtrado de
difusión anisotrópica es un proceso iterativo en el que una imagen se
suaviza progresivamente mientras se intenta conservar los bordes
significativos. Sin embargo, la operación de difusión anisotrópica
normalmente requiere una cantidad significativa de recursos informáticos.
Una alternativa es utilizar un FPGA (Field Programmable Gate Array). La
evolución de FPGA ha resultado en un creciente interés en su uso como
plataformas de implementación para aplicaciones de imágenes en tiempo
real [10], [11], [12]. FPGA puede diseñar varios circuitos de hardware de
función de acuerdo con diferentes solicitudes [31]. Para hacer que los
algoritmos de procesamiento sean más efectivos, la tecnología de
canalización y procesamiento paralelo se puede utilizar en el diseño del
sistema [13], [14]. FPGA se aplica en muchos algoritmos de
preprocesamiento de imágenes, como escalado de imágenes, rotación de
imágenes, compresión de imágenes, detección de bordes y filtrado [15],
[16], [17], [18], [19]. Se han propuesto varias investigaciones
978-1-5386-5305-0/18/$31.00 ©2018 IEEE
3rdEl-BayBourennane
Le2i laboratorio UMR CNRS 6306
Universidad de Borgoña
Dijon, Francia
ebourenn@u-bourgogne.fr
para acelerar algoritmos de eliminación de ruido de imágenes y videos.
En [20], el autor mejora el método de eliminación de ruido PSWFA (Pixel
Similarity Weighted Frame Averaging) e implementa el esquema
propuesto en Spartan-6 FPGA, los resultados muestran que el trabajo
presenta una excelente técnica de eliminación de ruido para cámaras
de video digitales tanto en calidad como en tiempo de procesamiento.
actuación. Los algoritmos de difusión anisotrópica también se han
implementado en FPGA, en [21] Saha, et al. propuso un diseño de co-
simulación eficiente para el filtro PMAD (Perona Malik Anisotropic
Diffusion), asimismo, en [22] el autor presentó una arquitectura
paralela de proceso de difusión anisotrópica basada en un algoritmo de
conservación de bordes en ambas plataformas FPGA, el sistema
propuesto mejora la aceleración y el rendimiento del diseño
Recientemente, Amira et al, han implementado un filtro de difusión
anisotrópica usando FPGA, avanzado a la función PMAD, a saber, SRAD
(difusión anisotrópica de reducción de motas) [23], [32]. La arquitectura
propuesta pretende reducir el tiempo de ejecución38× sobre la
implementación del software. En este artículo, nos enfocamos en la
versión más avanzada de la difusión anisotrópica, el filtro OSRAD
(Oriented Speckle Reducing Anisotropic Diffusion) [24], [25] y por la
razón de que esta técnica no se ha implementado previamente en
FPGA. Este método permite suavizar la imagen conservando los bordes
principales, en cuyo caso la difusión se reorienta sobre una base
ortonormal en relación con las estructuras locales de la imagen. El
filtrado OSRAD es un proceso iterativo en el que una imagen se suaviza
progresivamente mientras se intenta conservar los bordes
significativos. Cada iteración del algoritmo normalmente se ejecuta en
cuatro pasos: (1) cálculo de coeficientes de difusión, (2) cálculo de
derivadas (3) suavizado gaussiano y (4) cálculo de los nuevos valores de
intensidad de píxel. En este trabajo, nos enfocamos en la
implementación del primer paso “cálculo de coeficientes de difusión”.
La calculadora de coeficientes controla la tasa de difusión, se elige
como una función de búsqueda de bordes. Es la parte más importante
para el algoritmo de filtrado, por lo que es necesario acelerar esta
calculadora. La contribución de este artículo es la implementación
rápida de la calculadora de coeficiente de difusión utilizando una
arquitectura de procesamiento en paralelo.
En nuestra aplicación, se utiliza un SoC Xilinx [26] basado en Zynq-7000
debido a su capacidad para tener densidad y potencia computacional
alta y paralela en comparación con los procesadores de soluciones
basados en software. El desarrollo del coeficiente de difusin cal-
865
 2018 15ª Multiconferencia Internacional sobre Sistemas, Señales y Dispositivos (SSD)

El calculador se divide en dos partes, como se muestra en la Fig. 1. En la

primera parte presentamos la arquitectura del coeficiente de variación
instantánea (ICOV), mientras que en la segunda parte se presenta la
arquitectura del coeficiente de variación de ruido (NCOV) (calculada en una
región homogénea de la imagen). ). Luego, todo el diseño del algoritmo se
presenta utilizando VHDL (Lenguaje de descripción de hardware VHSIC).
Hemos probado nuestra implementación en imágenes sintéticas y reales. El
resto del documento está organizado de la siguiente manera. En la sección II
presentamos la implementación hardware del coeficiente de difusión. Los
resultados experimentales y la comparación se establecen en la parte III.
Finalmente, la sección IV concluye el trabajo.
Fig. 2: Distribución de datos de imagen.

Convyoes la varianza local de la imagen degradadayoy YO

Fig. 1: Resumen de la calculadora de coeficientes de difusión.
denota su media local. En [24], Krissian et al, utilizan dos
píxeles vecinos para calcular estos dos parámetros.
La Fig. 3 muestra la arquitectura de los “bordes detectores ICOV”,
que se descompone en dos módulos separados e independientes,
aunque se ejecutan de la misma forma. Esta etapa de tubería
ocurre después de la lectura de dos píxeles sucesivosyo(x, y) yyo(X+
, y). Ambos módulos realizan la media local como:

II. HFERRETERÍADFIRMA yo(x, y) +yo(X+1, y)

L Media(x, y) = (4)
En un proceso de difusión anisotrópica, los coeficientes de
2
Como bloque de entrada, el primero usa la intensidad original de
difusión están integrados. Hay varias funciones según la
los píxeles y el segundo usa sus cuadrados. La salida de estos dos
ecuación de difusión involucrada, las que usan el operador
bloques se divide, esta relación debe ser mayor o igual a 1.
gradiente y el operador laplaciano, y también las hay que usan
Posteriormente, se resta a 1 dando como resultado un flujo donde
la varianza local y la media local. Como en nuestro caso, el
los píxeles se consideran parte de los bordes. Este módulo
filtro OSRAD (Ec. 1) utiliza los coeficientes de difusión “Cd”
requiere dos sumadores, tres divisores, tres multiplicadores y un
basados en el filtro kuan [27], utilizando el detector de bordes
restador.
ICOV y las estadísticas de ruido NCOV.
Es más,2019-NCOVpresenta el coeficiente de variación del
- ruido. Se puede calcular a partir de la media y la desviación
-∂t =división(D∇yo)[24]
∂yo
estándar de una región de interés (ROI). El ROI es homogéneo
( )( )
--D=mi1|e ( ) 0
Discos compactos mi1T (1) región en la que toda la intensidad de los píxeles está cerca. En cada
2
0 CEspiga miT2 iteración, este parámetro debe estimarse, ya que impulsa la cantidad
de difusión aplicada localmente. La Fig. 4 muestra la arquitectura del
donde I presenta la imagen degradada, “D” la difusión de la matriz, bloque NCOV, que permite calcular la varianza del ruido en una
“e1” y “e2” son la dirección del gradiente y la dirección de la ventana de píxeles [norte×METRO]. Se requieren dos sumadores, dos
curvatura tangente respectivamente. “CEspiga” se fijó a una divisores, 1 restador y 1 multiplicador. Para la primera etapa,
constante y finalmente el “Cd” presenta los coeficientes de difusión calculamos la media del ROI usando la ecuación 6:
con la fórmula es: ∑norte ∑METRO
X=1 y=1[ROI(x, y)]
Significar= (5)
1 + 1/ICOV(x, y)
(2)
norte× METRO
Discos compactos(x, y) =
1 + 1/2019-NCOV2 Después de eso, el valor medio pasa a la segunda etapa para
calcular la varianza usando la ecuación
Los datos de imagen de cada bloque ”ICOV” y ”NCOV” se
distribuyen como se muestra en la Fig. 2. Para el operador ICOV ∑norte
METRO∑
necesitamos el píxel central y su vecindad y el escaneo se realiza diferencia= [ROI(x, y)− significar]2 (6)
en toda la imagen. Mientras que, para el operador NCOV solo X=1y=1

necesitamos una región de la imagen. Ambos módulos están relacionados como en la Ec. (2) se ejecutan en
losICOV(x, y)presenta el coeficiente de variación instantáneo. paralelo y los retrasos se inyectan a intervalos para sincronizar
De lo contrario, es un detector de bordes en presencia correctamente los retrasos de propagación de la red. Para manipular los
de ruido. números reales, hemos utilizado el estándar IEEE para la aritmética de
√
vyo puntos flotantes binarios (IEEE 754) que es el estándar más utilizado para
ICOV(x, y) = (3) desarrollar y verificar algoritmos de procesamiento de imágenes.
YO2

866
 2018 15ª Multiconferencia Internacional sobre Sistemas, Señales y Dispositivos (SSD)

Fig. 3: Arquitectura ICOV.

Fig. 4: Arquitectura NCOV.

TABLA I: Resumen de utilización del dispositivo

tercero RRESULTADOS Y DISCUSIÓN
La arquitectura propuesta se implementa utilizando el Usó Disponible Utilización %
integrador IP. El diseño se simula seguido de la síntesis en la placa LUT 1116 53200 2.06
FPGA Xilinx ZYNQ-7 ZC702. La simulación se realiza sobre lutram 263 17400 1.51
imágenes en escala de grises de dos tipos imágenes sintéticas y FF 2049 106400 1.92
reales. La Fig. 5 muestra la imagen 2D sintética original de tamaño DSP 22 220 10.0
(300×300) y su versión ruidosa con un ruido moteado multiplicativo IO 171 200 85.5
de desviación estándar 0.5 y media 1. El diseño es capaz de operar BUFG 1 32 3.125

a una frecuencia de210Megahercio. La Tabla I presenta los

recursos generales de FPGA utilizados para el sistema.
Talla300×300con tres plataformas diferentes FPGA, Unidad de
procesamiento de gráficos (GPU) y Unidad de procesamiento central
(CPU). Para la implementación de GPU, hemos utilizado la tarjeta
NVIDIA Geforce 840M [28] utilizando lenguaje CUDA e Intel Core
i7-4510U para la implementación de CPU [24] utilizando lenguaje C++.
Está claro que la implementación de la CPU lleva más tiempo en
comparación con las implementaciones de GPU y FPGA, proporciona
aproximadamente32×menos rendimiento en comparación con el CUDA
y143×en comparación con la FPGA.

(a) (b) TABLA II: Comparación de tiempo de ejecución para diferentes

implementaciones
Fig. 5: (a) Imagen 2D sintética original [24], (b) Imagen original
degradada con ruido moteado multiplicativo de media1 y
(300×300)tamaño de la imagen Propuesto GPU UPC
desviación estándar0.5. diseño [28] [24]

La Tabla II, presenta el tiempo de procesamiento de la calculadora

Tiempo de ejecución (ms) 0.11 0.49 15.8
del coeficiente de difusión medido para la imagen (Fig. 5b) de

867
 2018 15ª Multiconferencia Internacional sobre Sistemas, Señales y Dispositivos (SSD)
También hemos comparado la función de difusión de
diferentes filtros PMAD, DPAD y SRAD usando MATLAB para la
imagen Fig. 5b.
TABLA III: Comparación del tiempo de ejecución para diferentes funciones
de difusión
(300×300)tamaño de la imagen Propuesto PMAD DPAD SRAD
diseño [30] [29] [32]
Tiempo de ejecución (ms) 0.11 12.3 22.75 20
También se realiza una medida comparativa utilizando la métrica
RMSE (Root Mean Square Error) para verificar la precisión del resultado
simulado. Tomamos como referencia la implementación del software
(CPU). Aunque un RMSE más bajo indica que ambos resultados de
salida son similares. Un RMSE igual a cero indica que la implementación
del software y del hardware son idénticas. Como se muestra en la Fig.
6, la métrica RMSE según la GPU y la implementación de FPGA están
cerca, lo que significa que la salida de la calculadora de coeficientes se
considera precisa.
Fig. 6: Medición de RMSE para la implementación de FPGA y GPU
de los coeficientes de difusión anisotrópica.
Hoy en día, la demanda de transmisión y almacenamiento de datos médicos de
alta calidad se ha vuelto cada vez más importante. Para hacer frente a esta
necesidad, las nuevas tecnologías digitales ofrecen la posibilidad no solo de
ahorrar tiempo y dinero a hospitales y profesionales, sino que también pueden
contribuir a mejorar la atención a los pacientes, especialmente a aquellos que
viven lejos de los hospitales de referencia.
Las imágenes por ultrasonido son una herramienta médica que puede
ayudar a un médico a evaluar, diagnosticar y tratar afecciones médicas.
Durante este proceso clínico, las imágenes de ultrasonido se vuelven cada
vez más ruidosas. El filtro OSRAD se ha convertido en la mejor manera de
reducir el ruido y preservar los bordes. Para eso, hemos probado nuestra
implementación de diseño para calcular los coeficientes de difusión usando
868
imágenes de ultrasonido para lograr un filtrado en tiempo real. En este
experimento, se utilizan tres variantes de imágenes de ultrasonido de
diferentes tamaños. Como se ilustra en la Fig. 8, las imágenes
muestran varias regiones del cuerpo del feto: la vejiga, el estómago y el
riñón.
Fig. 7: Tiempo de procesamiento para diferentes tamaños de imágenes
Se observa a partir de la curva de la Fig. 7, que el tiempo de
ejecución de la implementación de FPGA es más rápido para diferentes
tamaños (unos pocos milisegundos). El tiempo de ejecución aumentará
cuando aumente la resolución. Para la imagen de tamaño595×488,la
calculadora del coeficiente de difusión se ejecuta en0.32ms, no muy
lejos, se ejecuta en0.56ms a pesar de que la resolución aumenta a609×
486.Para una alta resolución (Fig. 8c) de960×720píxeles el tiempo
de ejecución aumenta en comparación con otras resoluciones que
es igual a1.6EM.
IV. CONCLUSIÓN
Los algoritmos de procesamiento de imágenes, implementados en
hardware, han surgido recientemente como la solución más viable para
mejorar el rendimiento de los sistemas de procesamiento de imágenes.
Este artículo explica la implementación de los coeficientes de difusión
del algoritmo de filtrado OSRAD en la FPGA, donde se ha presentado
una arquitectura paralela. Los coeficientes se han implementado y
sintetizado con éxito utilizando la FPGA Xilinx ZYNQ-7 ZC702. La
plataforma muestra que el procesador puede operar a una frecuencia
máxima de 210 MHz. La arquitectura propuesta ha sido probada en
varios tipos de imágenes, como imágenes sintéticas y reales
(ultrasonido). Además, los resultados obtenidos se han mejorado
aproximadamente143× en comparación con la implementación
estándar del software.
RFERENCIAS
[1] Toennies, KD “El análisis de imágenes médicas”. En Guía de análisis de
imágenes médicas. Springer Londres, págs. 1-22, 2017.
[2] Chinmayi, P., Agilandeeswari, L. y Prabukumar, M. “Encuesta de técnicas de
procesamiento de imágenes en el análisis de imágenes médicas: desafíos y
metodologías”. En International Conference on Soft Computing and Pattern
Recognition, págs. 460-471, Springer, Cham, 2016.
 2018 15ª Multiconferencia Internacional sobre Sistemas, Señales y Dispositivos (SSD)
(a)
Fig. 8: Imagen de ultrasonido: (a) Imagen 1 de tamaño595×488 , (b) Imagen 2 de tamaño609×486, (c) Imagen 3 de tamaño960×720
[3] Malek, J. Ahmad, TA y Rached, T. "Impacto de la tortuosidad vascular retiniana
en la circulación retiniana". Informática neuronal y aplicaciones, Springer,
vol.26, 1, 2015.
[4] Mériem. BA, Jihene,M., Karl, K. y Rached, T. "Una segmentación automatizada
de vasos de imágenes retinales utilizando vasos multiescala". En Systems,
Signals and Devices (SSD), 8th International Multi-Conference on, Sousse,
Túnez, pp.1-6, marzo de 2011.
[5] Mariem, BA, Jihene, M, Ahmad, TA, Philippe, M, Hafedh Belmabrouk, Julio
Esclarn Monreal y Karl Krissian. “Extracción automática de vasos sanguíneos
en el árbol vascular retiniano mediante medialidad multiescala”.
International Journal of Biomedical Imaging, 16 páginas, 2015.
[6] Malek, J y Rached T., "Extracción de la línea central del vaso basada en la
inercia en la imagen de la retina". In Control, Decision and Information
Technologies (CoDIT), 2013 International Conference on, Hammamet, Túnez,
pp.378 381, 2013.
[7] Mariem, BA, Jihene. M, Ahmad T. A, Hafedh. B, Julio. EM y Karl. K., “Filtro
de difusión anisotrópica reductor de ruido adaptativo”. Informática
neuronal y aplicaciones, Springer, vol.27,5, pp.1273-1300, 2016.
[8] Mariem. B.A, Malek. J, Rached. T, Julio. E.M y Karl. K. “Estimación
automática del modelo de ruido en imágenes de fondo de ojo”. En
Systems, Signals & Devices (SSD), 2013 10th International Multi-
Conference on, Hammamet, Túnez, pp. 1-5, 2013.
[9] Mariem. BA, J. Malek, Rached. T y Karl. “Restauración de imágenes retinianas
mediante difusión anisotrópica como algoritmos”. En Computer Vision in
Remote Sensing (CVRS), 2012 International Conference on, Xiamen, China,
p.116-121, diciembre de 2012.
[10] Subhash, S., Vyas, M., Kunnathettu, M., Noel, A. y Raj, “Image Processing
using FPGA”, International Journal of Scientific & Engineering Research,
vol. 7, 2016.
[11] Devasena, D. y Jagadeeswari, M. “Implementación de FPGA de eliminación de
ruido moteado en imágenes médicas en tiempo real”. Journal of Medical
Imaging and Health Informatics, vol.7,6, pp.1263-1270, 2017.
[12] Amiri, M., Siddiqui, FM, Kelly, C., Woods, R., Rafferty, K. y Bardak, B. "Procesadores de
núcleo blando basados en FPGA para aplicaciones de procesamiento de
imágenes". Revista de sistemas de procesamiento de señales, vol. 87, 1, págs.
139-156, 2017.
[13] Irgens, P., Bader, C., L, T., Saxena, D. y Ababei, C. "Una implementación
eficiente y rentable basada en FPGA del algoritmo de detección de
rostros de Viola-Jones". HardwareX, vol.1, pp.68-75, 2017.
[14] Ustukov, DI, Muratov, YR y Lantsov, VN "Modificación del algoritmo
retinex y su implementación de flujo en FPGA". In Embedded
Computing (MECO), 6th Mediterranean Conference on, pp.1-4,
2017.
[15] Akkad, G., ElHassan, M. y Ayoubi, R. “Arquitectura de hardware FPGA para la
compresión de imágenes estereoscópicas basada en coincidencia de bloques,
marca de agua y código hamming”. En Procesamiento de Imágenes, Aplicaciones y
Sistemas (IPAS), pp. 1-5, 2016.
[16] Nausheen, N., Seal, A., Khanna, P. y Haldar, S. "Una implementación basada
en FPGA de la detección de bordes de Sobel". Microprocesadores y
Microsistemas, 2017.
[17] Jiang, J., Liu, C. y Ling, S. "Una implementación de FPGA para la detección de bordes en
tiempo real". Revista de procesamiento de imágenes en tiempo real, pp.1-11, 2015.
[18] Goyal, D. y Singhal, M. "Modelo FPGA de área eficiente del algoritmo de
filtrado LMS". En Actas de la Conferencia Internacional sobre
(b) (C)
Conocimiento reciente en comunicación inalámbrica y procesamiento de
imágenes, págs. 943-952, Springer, Nueva Delhi, 2016.
[19] Suraj, AA, Francis, M., Kavya, TS y Nirmal, TM "Fusión de imagen basada en
transformada de wavelet discreta y eliminación de ruido en FPGA". Revista
de Sistemas Eléctricos y Tecnología de la Información, vol. 1, 1, págs. 72-81,
2014.
[20] Tan, X., Liu, Y., Zuo, C. y Zhang, M, "Un algoritmo de eliminación de ruido de video en
tiempo real con implementación de FPGA para el ruido de Poisson-Gaussian". J
Real-Time Image Proc, vol. 13, 2017.
[21] Saha, S., Roy, M., Dey, MT y Chakrabarti, A., "Una implementación FPGA
eficiente del filtro de difusión anisotrópica en imágenes
bidimensionales y tridimensionales" en Ingeniería informática,
eléctrica y de comunicaciones ( ICCECE), 2016 International Conference
on, pp. 1-5, 2016.
[22] Pal, C., Kotal, A., Samanta, A., Chakrabarti, A. y Ghosh, R., "Una
implementación FPGA eficiente del filtrado de difusión anisotrópica
optimizado de imágenes" International Journal of Reconfigurable
Computing, 2016.
[23] Fredj, AH, Abdallah, MB, Malek, J. y Azar, A. T, “Eliminación de ruido de la
imagen del fondo usando arquitectura de hardware FPGA” International
Journal of Computer Applications in Technology, vol.54, 1, pp.1- 13, 2016.
[24] Krissian, K., Westin, CF, Kikinis, R. y Vosburgh, KG, “Motas orientadas
que reducen la difusión anisotrópica”. IEEE Transactions on Image
Processing, vol.16, 5, pp.1412-1424
[25] Fredj, AH y Malek, J., “Algoritmo de difusión anisotrópica basado en GPU para
imágenes de video”. Microprocesadores y microsistemas, vol. 53, págs. 190-201.
[26] Xilinx, “Zynq-7000 All Programmable SoC Data Sheet: Overview”, 7 de
junio de 2017.
[27] Kuan, D., Sawchuk, A., Strand, T. y Chavel, P. "Restauración adaptativa
de imágenes con motas", IEEE Transactions on Acoustics, Speech, and
Signal Processing. vol. 35, 3, 1987.
[28] Fredj, AH y Malek, J. "Eliminación de ruido de imágenes de ultrasonido en
tiempo real con NVIDIA CUDA". En Advanced Technologies for Signal and
Image Processing (ATSIP), 2nd International Conference on, pp. 136-140,
2016.
[29] Santiago. AF y Carlos. A L. “Sobre la estimación del coeficiente de variación para el
filtrado de motas de difusión anisotrópica”. Procesamiento de imágenes, IEEE
Transactions on, vol. 15, núm. 9, págs. 2694-2701, 2006.
[30] Pedro. P y Jitendra. M. “Detección de espacios de escala y bordes mediante
difusión anisotrópica”. Análisis de patrones e inteligencia artificial,
Transacciones IEEE en, vol. 12, núm. 7, páginas 629-639, 1990.
[31] Abbas. E y Mohamed. Z. “Evaluación de hardware FPGA como un nuevo
enfoque para acelerar la solución numérica de problemas de CFD”.
Acceso IEEE, vol. 5, págs. 9717-9727, 2017.
[32] Yongjian. Y y Scott.TA. “Difusión anisotrópica reductora de motas”.
Procesamiento de imágenes, IEEE Transactions on, vol. 11, núm. 11, págs.
1260-1270, 2002.
869