Difusión anisotrópica: Mejora del análisis de imágenes mediante difusión anisotrópica
Por Fouad Sabry
()
Información de este libro electrónico
¿Qué es la difusión anisotrópica?
En el procesamiento de imágenes y la visión por computadora, la difusión anisotrópica, también llamada difusión Perona?Malik, es una técnica que tiene como objetivo reducir el ruido de la imagen sin eliminar partes significativas. del contenido de la imagen, normalmente bordes, líneas u otros detalles que son importantes para la interpretación de la imagen. La difusión anisotrópica se asemeja al proceso que crea un espacio de escala, donde una imagen genera una familia parametrizada de imágenes cada vez más borrosas basándose en un proceso de difusión. Cada una de las imágenes resultantes de esta familia se proporciona como una convolución entre la imagen y un filtro gaussiano isotrópico 2D, donde el ancho del filtro aumenta con el parámetro. Este proceso de difusión es una transformación lineal e invariante en el espacio de la imagen original. La difusión anisotrópica es una generalización de este proceso de difusión: produce una familia de imágenes parametrizadas, pero cada imagen resultante es una combinación entre la imagen original y un filtro que depende del contenido local de la imagen original. Como consecuencia, la difusión anisotrópica es una transformación no lineal y variante en el espacio de la imagen original.
Cómo se beneficiará
(I) Insights y validaciones sobre los siguientes temas:
Capítulo 1: Difusión anisotrópica
Capítulo 2: Leyes de difusión de Fick
Capítulo 3: Ecuación de difusión
Capítulo 4: Ecuación de calor
Capítulo 5: Ecuaciones de Navier-Stokes
Capítulo 6: Variación total
Capítulo 7: Divergencia
Capítulo 8: Operador de Laplace
Capítulo 9: Curl (matemáticas)
Capítulo 10: Teorema de divergencia
(II) Respondiendo las principales preguntas del público sobre anisotrópico difusión.
(III) Ejemplos del mundo real para el uso de la difusión anisotrópica en muchos campos.
Para quién es este libro
Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o información básica para cualquier tipo de Difusión Anisotrópica.
Lee más de Fouad Sabry
Tecnologías Emergentes en Agricultura [Spanish]
Relacionado con Difusión anisotrópica
Títulos en esta serie (100)
Visión por computador: Explorando las profundidades de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesJoint Photographic Experts Group: Liberando el poder de los datos visuales con el estándar JPEG Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificacionesReducción de ruido: Mejora de la claridad, técnicas avanzadas para la reducción del ruido en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEcualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual Calificación: 0 de 5 estrellas0 calificacionesTransformación de radón: Revelando patrones ocultos en datos visuales Calificación: 0 de 5 estrellas0 calificacionesEspacio de color: Explorando el espectro de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVisión por computadora submarina: Explorando las profundidades de la visión por computadora debajo de las olas Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformacion afin: Desbloqueo de perspectivas visuales: exploración de la transformación afín en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCompresión de imagen: Técnicas eficientes para la optimización de datos visuales Calificación: 0 de 5 estrellas0 calificacionesHistograma de imagen: Revelando conocimientos visuales, explorando las profundidades de los histogramas de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesPerfil de color: Explorando la percepción y el análisis visual en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEn Pintura: Cerrar brechas en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo del sistema visual humano: Comprender la percepción y el procesamiento Calificación: 0 de 5 estrellas0 calificacionesDifusión anisotrópica: Mejora del análisis de imágenes mediante difusión anisotrópica Calificación: 0 de 5 estrellas0 calificacionesSistema de gestión de color: Optimización de la percepción visual en entornos digitales Calificación: 0 de 5 estrellas0 calificacionesBanco de filtros: Información sobre las técnicas del banco de filtros de Computer Vision Calificación: 0 de 5 estrellas0 calificacionesMapeo de colores: Explorando la percepción y el análisis visual en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo de color: Comprensión del espectro de la visión por computadora: exploración de modelos de color Calificación: 0 de 5 estrellas0 calificacionesRetinax: Revelando los secretos de la visión computacional con Retinex Calificación: 0 de 5 estrellas0 calificacionesConsenso de muestra aleatoria: Estimación robusta en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación dura: Revelando la magia de Hough Transform en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetector de esquinas Harris: Revelando la magia de la detección de características de imagen Calificación: 0 de 5 estrellas0 calificacionesFiltro adaptativo: Mejora de la visión por computadora mediante filtrado adaptativo Calificación: 0 de 5 estrellas0 calificacionesTransformación de Hadamard: Revelando el poder de la transformación de Hadamard en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCorrección gamma: Mejora de la claridad visual en la visión por computadora: la técnica de corrección gamma Calificación: 0 de 5 estrellas0 calificacionesDetección de bordes: Explorando los límites en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFunción de combinación de colores: Comprensión de la sensibilidad espectral en visión por computadora Calificación: 0 de 5 estrellas0 calificaciones
Libros electrónicos relacionados
Gráficos por computadora de radiosidad: Avances en la visualización a través de la radiosidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo de reflexión de Phong: Comprender las interacciones de la luz en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesMétodo de ajuste de nivel: Avances en la visión por computadora, exploración del método de conjunto de niveles Calificación: 0 de 5 estrellas0 calificacionesMomentos de velocidad: Capturando la dinámica: conocimientos sobre la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFlujo óptico: Explorando patrones visuales dinámicos en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCampo de movimiento: Explorando la dinámica de la visión por computadora: campo de movimiento revelado Calificación: 0 de 5 estrellas0 calificacionesTransformación de radón: Revelando patrones ocultos en datos visuales Calificación: 0 de 5 estrellas0 calificacionesIntroducción a la Óptica Calificación: 0 de 5 estrellas0 calificacionesProcesamiento de imágenes piramidales: Explorando las profundidades del análisis visual Calificación: 0 de 5 estrellas0 calificacionesLeast Squares: Técnicas de optimización para visión por computadora: métodos de mínimos cuadrados Calificación: 0 de 5 estrellas0 calificacionesSombreado: Explorando el sombreado de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesInterpolación bilineal: Mejora de la resolución y claridad de la imagen mediante interpolación bilineal Calificación: 0 de 5 estrellas0 calificacionesIntroducción a los componentes ópticos Calificación: 0 de 5 estrellas0 calificacionesEcualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEstimación de movimiento: Avances y aplicaciones en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesClasificación de imágenes contextuales: Comprensión de los datos visuales para una clasificación eficaz Calificación: 0 de 5 estrellas0 calificacionesEjercicios de Análisis Funcional Calificación: 0 de 5 estrellas0 calificacionesEjercicios de Distribuciones Calificación: 0 de 5 estrellas0 calificacionesGeometría epipolar: Desbloqueo de la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetector de bordes astuto: Revelando el arte de la percepción visual Calificación: 0 de 5 estrellas0 calificacionesGráficos de trazado de rayos: Explorando la representación fotorrealista en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de vértice: Explorando la intersección de los gráficos por computadora Vertex y la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAjuste del paquete: Optimización de datos visuales para una reconstrucción precisa Calificación: 0 de 5 estrellas0 calificacionesIntroducción al Análisis Funcional Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVibraciones y ondas Calificación: 4 de 5 estrellas4/5Modelo de apariencia de color: Comprensión de la percepción y la representación en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificaciones
Inteligencia (IA) y semántica para usted
Cómo Ganar Dinero por Internet con Inteligencia Artificial Emprende tu negocio digital con ChatGPT, Escríbelo.ia, Playground AI, You.com, Canva, Midjourney, Dall-E 2, Amazon... Calificación: 0 de 5 estrellas0 calificacionesKlara y el Sol Calificación: 5 de 5 estrellas5/5Resumen CHAT GPT IA Revolución en 2023: Guía de la Tecnología CHAT GPT y su Impacto Social: Resumen Tecnológico, #1 Calificación: 0 de 5 estrellas0 calificacionesDominando ChatGPT: Desbloquea el poder de la IA para mejorar la comunicación y las relaciones: Spanish Calificación: 3 de 5 estrellas3/5Fundamentos de Programación: Diagramas de flujo, Diagramas N-S, Pseudocódigo y Java Calificación: 0 de 5 estrellas0 calificacionesBusiness Intelligence: Técnicas herramientas y aplicaciones Calificación: 0 de 5 estrellas0 calificacionesMáquinas predictivas: La sencilla economía de la inteligencia artificial Calificación: 5 de 5 estrellas5/5Introducción a la ingeniería Calificación: 0 de 5 estrellas0 calificacionesMetodología de la programación Calificación: 0 de 5 estrellas0 calificacionesEscritura Creativa en la Era de la IA: Dominando la Colaboración con ChatGPT para Crear Libros Impactantes Calificación: 4 de 5 estrellas4/5Cómo usar Chatgpt para tu negocio Calificación: 0 de 5 estrellas0 calificacionesEl imperio de los algoritmos: IA inclusiva, ética y al servicio de la humanidad Calificación: 0 de 5 estrellas0 calificacionesANDROID: Aprende desde cero a crear aplicaciones Calificación: 0 de 5 estrellas0 calificacionesGuíaBurros: Inteligencia Artificial: Su lado oscuro y el fin del principio Calificación: 0 de 5 estrellas0 calificacionesInteligencia artificial: Una exploración filosófica sobre el futuro de la mente y la conciencia Calificación: 4 de 5 estrellas4/5Máquinas como yo Calificación: 4 de 5 estrellas4/5Chat GPT-4 para Principiantes: Chat GPT, #1 Calificación: 0 de 5 estrellas0 calificacionesEl mito de la inteligencia artificial: Por qué las máquinas no pueden pensar como nosotros lo hacemos Calificación: 5 de 5 estrellas5/5Programación de Inteligencia Artificial. Curso Práctico Calificación: 0 de 5 estrellas0 calificacionesSobreviviendo a la IA Calificación: 3 de 5 estrellas3/5¿Cómo piensan las máquinas?: Inteligencia artificial para humanos Calificación: 5 de 5 estrellas5/5Mecatrónica Calificación: 0 de 5 estrellas0 calificacionesMi Asistente IA Calificación: 0 de 5 estrellas0 calificacionesIntroducción a la Ingeniería Industrial Calificación: 0 de 5 estrellas0 calificacionesArquitectura de computadoras Calificación: 0 de 5 estrellas0 calificacionesPython fácil Calificación: 4 de 5 estrellas4/5Inteligencia artificial: con aplicaciones a la ingeniería Calificación: 0 de 5 estrellas0 calificacionesEl poder de las imagenes, la palabra no tiene poder Calificación: 0 de 5 estrellas0 calificaciones
Comentarios para Difusión anisotrópica
0 clasificaciones0 comentarios
Vista previa del libro
Difusión anisotrópica - Fouad Sabry
Capítulo 1: Difusión anisotrópica
La difusión anisotrópica, también conocida como difusión Perona-Malik, es un método utilizado en el procesamiento de imágenes y la visión por computadora para reducir el ruido en una imagen sin sacrificar las características interpretables de la imagen, como bordes, líneas y otros detalles más finos. En la difusión anisotrópica, una imagen desarrolla una familia parametrizada de imágenes cada vez más borrosas a través de un proceso de difusión, análogo al proceso que construye un espacio de escala. Cada imagen de salida de esta familia está representada por la convolución de la original con un filtro gaussiano isotrópico bidimensional cuyo ancho escala a medida que aumenta el parámetro. La imagen se transforma de forma lineal e invariable en el espacio mediante el proceso de difusión. En la difusión anisotrópica, la imagen original se combina con un filtro que a su vez depende del contenido local de la imagen original para obtener una familia de imágenes parametrizadas. Por lo tanto, la difusión anisotrópica es un cambio de la imagen original que es a la vez no lineal y variable en el espacio.
Desde su creación con la presentación de Perona y Malik en 1987, las imágenes generadas han sido capaces de mantener estructuras lineales sin dejar de suavizarse a lo largo de estos mismos patrones. En ambos escenarios, el coeficiente de difusión es una función de la posición espacial de la imagen y, por lo tanto, toma un valor de matriz (o tensor) en lugar de permanecer como un escalar constante (ver tensor de estructura).
Aunque el filtro adaptado localmente y su combinación con la imagen se pueden conceptualizar como una combinación de la imagen original y los filtros de variante de espacio, esto no es necesario para la familia de imágenes resultante. Cada nueva imagen de la familia se calcula aplicando esta ecuación a la imagen anterior, lo que hace posible la difusión anisotrópica utilizando una aproximación de la ecuación de difusión generalizada. Para lograr el nivel deseado de suavizado, la difusión anisotrópica es un proceso iterativo en el que se emplea un conjunto muy simple de cálculos para calcular cada imagen consecutiva de la familia.
Formalmente, denotemos \Omega \subset {\mathbb {R}}^{2} un subconjunto del plano y I(\cdot ,t):\Omega \rightarrow {\mathbb {R}} seamos una familia de imágenes en escala de grises.
{\displaystyle I(\cdot ,0)} es la imagen de entrada.
Entonces, podemos caracterizar la difusión anisotrópica como
{\displaystyle {\frac {\partial I}{\partial t}}=\operatorname {div} \left(c(x,y,t)\nabla I\right)=\nabla c\cdot \nabla I+c(x,y,t)\,\Delta I}donde \Delta denota el laplaciano, \nabla denota el gradiente, {\displaystyle \operatorname {div} (\cdots )} es el operador de divergencia y c(x,y,t) es el coeficiente de difusión.
Para {\displaystyle t>0} , la imagen de salida está disponible como {\displaystyle I(\cdot ,t)} , con imágenes más grandes t que producen imágenes más borrosas.
c(x,y,t) Controla la velocidad de difusión y, por lo general, se elige en función del degradado de la imagen para preservar los bordes de la imagen.
La difusión anisotrópica fue propuesta por primera vez en 1990 por Pietro Perona y Jitendra Malik, quienes también sugirieron dos funciones para el coeficiente de difusión:
c\left(\|\nabla I\|\right)=e^{{-\left(\|\nabla I\|/K\right)^{2}}}y
c\left(\|\nabla I\|\right)={\frac {1}{1+\left({\frac {\|\nabla I\|}{K}}\right)^{2}}}La constante K determina qué tan sensible es el sistema a los bordes; Por lo general, se selecciona empíricamente o en función del nivel de ruido de la imagen.
Denotemos M la variedad de imágenes suaves, entonces las ecuaciones de difusión presentadas anteriormente se pueden interpretar como las ecuaciones de descenso de gradiente para la minimización de la energía funcional E:M\rightarrow {\mathbb {R}} definida por
E[I]={\frac {1}{2}}\int _{{\Omega }}g\left(\|\nabla I(x)\|^{2}\right)\,dxdonde g:{\mathbb {R}}\rightarrow {\mathbb {R}} es una función de valor real que está íntimamente relacionada con el coeficiente de difusión.
A continuación, para cualquier función de prueba infinitamente diferenciable con soporte compacto h ,
{\displaystyle {\begin{aligned}\left.{\frac {d}{dt}}\right|_{t=0}E[I+th]&={\frac {d}{dt}}{\big |}_{t=0}{\frac {1}{2}}\int _{\Omega }g\left(\|\nabla (I+th)(x)\|^{2}\right)\,dx\\[5pt]&=\int _{\Omega }g'\left(\|\nabla I(x)\|^{2}\right)\nabla I\cdot \nabla h\,dx\\[5pt]&=-\int _{\Omega }\operatorname {div} (g'\left(\|\nabla I(x)\|^{2}\right)\nabla I)h\,dx\end{aligned}}}donde la última línea es una consecuencia de la integración multidimensional de varias partes.
Denotando \nabla E_{I} el gradiente de E con respecto al L^{2}(\Omega ,{\mathbb {R}}) producto interno evaluado en I, esto da
{\displaystyle \nabla E_{I}=-\operatorname {div} (g'\left(\|\nabla I(x)\|^{2}\right)\nabla I)}Esto conduce a las siguientes ecuaciones para el gradiente descendente de la función E:
{\displaystyle {\frac {\partial I}{\partial t}}=-\nabla E_{I}=\operatorname {div} (g'\left(\|\nabla I(x)\|^{2}\right)\nabla I)}De este modo, dejando que c=g' las ecuaciones de difusión anisotrópicas se obtengan.
El coeficiente de difusión, c(x,y,t) , como lo proponen Perona y Malik, puede dar lugar a inestabilidades cuando {\displaystyle \|\nabla I\|^{2}>K^{2}} .
Se demuestra que esta condición es equivalente a un valor negativo para el coeficiente de difusión físico (que es distinto del coeficiente de difusión matemático definido por Perona y Malik) y, por lo tanto, da como resultado una difusión hacia atrás que acentúa los contrastes de intensidad de la imagen en lugar de suavizarlos.
Evitando el problema, People ha demostrado que las regularizaciones espaciales conducen a una solución convergente y constante de estado estacionario, por lo que se requiere la regularización.
La regularización de la ecuación P-M (que se explicará) tiene otro nombre:
Usando este método, para obtener una ecuación de Perona-Malik modificada, la incógnita se convoluciona con una gaussiana dentro de la no linealidad.
{\displaystyle {\frac {\partial I}{\partial t}}=\operatorname {div} \left(c(|\nabla (G_{\sigma }*I)|^{2})\nabla I\right)}donde
{\displaystyle G_{\sigma }=C\sigma ^{-1/2}\exp \left(-|x|^{2}/4\sigma \right)}.
Esta regularización permite que la ecuación esté bien planteada, pero también introduce el efecto de desenfoque que normalmente se asocia con la regularización. Dado que el parámetro de regularización debe seleccionarse de antemano, es esencial conocer el nivel de ruido de antemano.
El ruido en las fotografías digitales se puede suavizar mediante difusión anisotrópica sin afectar a la nitidez de los bordes de la imagen. Las ecuaciones de difusión anisotrópica se pueden simplificar a la ecuación del calor, que es idéntica a la desenfoque gaussiana, cuando el coeficiente de difusión permanece constante. Esto funciona de maravilla para suprimir el ruido de fondo, pero suaviza los bordes sin discriminación. Si el coeficiente de difusión se utiliza como una función para evitar los bordes afilados, como en el método de Perona-Malik, entonces las ecuaciones resultantes promueven la difusión (y, en consecuencia, el suavizado) en las partes menos intensas de la imagen mientras la inhiben a través de los bordes afilados. Como resultado, los límites de la imagen están protegidos mientras se reduce el ruido.
De manera análoga a la cancelación de ruido, los algoritmos de detección de bordes pueden beneficiarse de la aplicación de la difusión anisotrópica. Después de un cierto número de iteraciones de difusión con un coeficiente de difusión que busca bordes, la imagen habrá evolucionado para convertirse en constante a trozos, con los bordes indicando los límites entre los componentes constantes.
{Fin del capítulo 1}
Capítulo 2: Las leyes de difusión de Fick
Adolf Fick propuso originalmente sus leyes de difusión en 1855, describiendo la difusión sobre la base de evidencia principalmente experimental. La primera ley de Fick se puede usar para obtener su segunda ley, que es igual a la ecuación de difusión, y ambas se pueden usar para resolver el coeficiente de difusión.
La difusión normal o fickiana se refiere a un proceso de difusión que sigue las leyes de Fick; La difusión anómala o no fickiana se refiere a un proceso que se desvía de estas reglas.
Las ahora famosas reglas de difusión masiva fueron descritas por primera vez por el científico Adolf Fick en 1855. Inspirando el trabajo de Fick fueron las investigaciones previas de Thomas Graham, que, aunque interesantes, no proporcionaron las leyes esenciales por las que Fick se haría famoso. La ley de Fick es comparable a otras leyes descubiertas al mismo tiempo por otras luminarias, como la ley de Darcy (flujo hidráulico), la ley de Ohm (transporte de carga) y la ley de Fourier (análisis de frecuencia) (transporte de calor).
Basándose en el trabajo de Graham, Fick llevó a cabo experimentos en los que midió las concentraciones y los flujos de sal a medida que se difundía a través de tubos de agua de un depósito a otro. En general, no se pensaba que la difusión en sólidos fuera concebible en ese momento, por lo tanto, el estudio de Fick se centró exclusivamente en la difusión en fluidos. no fickiano es un término utilizado para describirlo.
De acuerdo con la primera ley de Fick, el flujo de difusión es proporcional al gradiente de concentración. En su forma más simple, es la idea de que un soluto migraría de una región de alta concentración a una de baja concentración a través de un gradiente de concentración, siendo la cantidad de flujo proporcional al gradiente de concentración (derivada espacial). Diferentes variantes de la ley pueden expresarse en una sola dimensión (espacial), siendo la base molar la más prevalente:
{\displaystyle J=-D{\frac {d\varphi }{dx}}}Dónde
J es el flujo de difusión, cuya dimensión es la cantidad de sustancia por unidad de área por unidad de tiempo. J mide la cantidad de sustancia que fluirá a través de una unidad de área durante un intervalo de tiempo unitario.
D es el coeficiente de difusión o difusividad. Su dimensión es área por unidad de tiempo.
φ (para mezclas ideales) es la concentración, que se mide en términos de masa por unidad de volumen.
x es la posición, cuya dimensión es la longitud.
D es proporcional a la velocidad al cuadrado de las partículas difusoras, es decir, depende de la temperatura, de acuerdo con la relación Stokes-Einstein, la viscosidad del fluido y el tamaño de partícula.
En soluciones acuosas diluidas, los coeficientes de difusión de la mayoría de los iones son similares y tienen valores que a temperatura ambiente están en el rango de (0,6-2)×10-9 m2/s.
En el caso de las moléculas biológicas, los coeficientes de difusión oscilan normalmente entre 10−10 y 10−11 m2/s.
En dos o más dimensiones debemos utilizar ∇, gradiente u operador del, que engloba la primera derivada en su conjunto, obteniendo
{\displaystyle \mathbf {J} =-D\nabla \varphi }El vector de flujo de difusión se denota con la letra J.
La fuerza motriz para la difusión unidimensional es la cantidad −∂φ/
∂x
, este es el gradiente de concentración para mezclas homogéneas.
Otra forma de la primera ley es escribirla con la variable primaria como fracción de masa (yi, presentada, a modo de ilustración, en kg/kg, Después, la ecuación cambia a:
{\displaystyle \mathbf {J_{i}} =-{\frac {\rho D}{M_{i}}}\nabla y_{i}}Dónde
La i-ésima especie está indicada por el índice i, Ji es el vector de flujo de difusión de la i-ésima especie (por ejemplo, en mol/m2-s), Mi es la masa molar de la i-ésima especie, y
ρ es la densidad de la mezcla (por ejemplo, en kg/m3).
Tenga en cuenta que el \rho está fuera del operador de gradiente.
Por esta razón:
{\displaystyle y_{i}={\frac {\rho _{si}}{\rho }}}donde ρsi es la densidad parcial de la i-ésima especie.
Además, el gradiente de potencial químico de una especie es la fuerza impulsora para la difusión de esa especie en sistemas químicos distintos de soluciones o mezclas perfectas. Entonces se puede formular la primera ley de la teoría de Fick (en una sola dimensión).
J_i = - \frac{D c_i}{RT} \frac{\partial \mu_i}{\partial x}Dónde
La i-ésima especie se indica mediante el índice i.
c es la concentración (mol/m3).
R es la constante universal de gas (J/K/mol).
T es la temperatura absoluta (K).
μ es el potencial químico (J/mol).
El diferencial de fugacidad es el factor determinante detrás de la ley de Fick:
{\displaystyle J_{i}=-{\frac {D}{RT}}{\frac {\partial f_{i}}{\partial x}}}Fugacity f_{i} tiene unidades de Pa.
f_{i} Es una presión parcial del componente I en una fase líquida {\displaystyle f_{i}^{G}} o de vapor