《表3 本文方法与SRCNN复原结果的质量评价函数对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度复合卷积神经网络的低分辨率单影像复原》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

可以看出在采用DCCNN修复的图4-a图像中，人物眼部边缘细节平滑，识别度高；图4-b图像中斑马黑白纹理界限分明；图4-c图像中房屋墙体边缘清晰；图4-d图像中水体与陡坎的边缘处清晰可见。由复原影像图片可以明显看出，在人物、动物、建筑物和水体上，DCCNN模型能够很好地修复图像细节信息，显著提升超低分辨率图像的整体分辨率和可识别度。进而将DCCNN应用于超低分辨率的遥感影像复原，使用的遥感影像经过降采样操作后，分辨率较低，地物边缘特征模糊，复原后的遥感影像地物边缘信息清晰，与SRCNN的修复图像相比，噪声较少，识别度高，整体分辨率明显提升（见图5）。从定量方面进行对比，本文方法在峰值信噪比、结构相似度、信息熵和平均梯度上的值分别为31.12，0.880 6，7.39，4.10，效果优于SRCNN方法。在标准差函数上，SRCNN方法效果优于本文方法（见表3）。综上所述，以定性和定量相结合的评估方法对不同的复原方法进行效果对比，本文基于深度复合神经网络构建的复原模型修复的图像细节纹理清晰，物体边缘辨识明显，噪声较少，能够较好地复原超低分辨率图像。