《表1 不同去马赛克算法的sRGB PSNR、CPSNR、CIEDE2000和光谱RMSE》

  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

《一种八谱段滤光片成像系统设计》

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

表1给出了三种去马赛克算法对八通道光谱图像重构结果的四种评价指标的对比．比较表1不同去马赛克算法得到的四种评价指标，可以看出本文算法对CAVE数据集的重建效果在大多数测试图像上都优于BTES和CS算法：其中本算法重构图像的sRGB PSNR比BTES算法平均高1.58dB，比CS算法平均高2.58dB，CPSNR比BTES算法平均高2.27dB，比CS算法平均高1.44dB，CIEDE 2000与人眼的视觉差异比较一致，数据越小，则图像颜色的差异越小，BTES和本文的算法的色差都在3以内．同时本文算法的RMSE比BTES算法平均低0.3，比CS算法平均低0.29．产生以上客观指标对比结果，主要源于不同去马赛克算法的性能差异．本文所采用的三种方法中，BTES方法本质上是一种线性插值，主要依据采样点的距离计算权重系数，易导致重建图像的模糊、虚假色等缺陷；而CS压缩感知方法是在选定字典并最优化求解字典原子系数来重建图像，因此图像恢复时间长且存在噪声；本文提出的方法重点考虑了图像高频信息的重建，利用现有采样点计算图像梯度并通过梯度延伸来恢复结构信息，所重建图像模糊缺陷少，因此得到较高的PSNR值．另外，RMSE指标描述了两组光谱在31个谱段的均方差，本质上是一种平均化的误差形式，在一定程度上能够比较出图像重建方法的性能，但由于“同色异谱”问题的存在，RMSE指标描述光谱重构误差并不全面．因此，本文在测试图像中选出一定数量的光谱值，在图5中对源光谱值和重构光谱值进行曲线拟合、对比，可以看出与源光谱相比，三种方法重建的光谱在一些位置特别是两端都存在一定误差，例如第一组的压缩感知方法，第二组的二叉树和本文方法，在接近700nm区域都出现较大误差，不过在大部分区域都可以较好地预测出源光谱，相对而言本文方法获得的效果更为理想．