《表1 比较深度学习算法与传统的算法重构物像的MAE,RMSE和SSIM》

  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

《基于深度学习的离轴菲涅耳数字全息非线性重构》

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

为定量评估ResNet物像非线性重构，采用平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）以及结构相似性指数（Structural Similarity Index，SSIM)[30]三种不同的客观评估指标评价.MAE表示两个图像之间绝对误差的平均值，RMSE表示两个图像之间差异的平均度量MAE和RMSE的值接近于0时恢复图像获得最佳效果.SSIM用于测量两个图像之间的结构相似性，索引范围在0和1之间，相似度越高数值越接近于1.分别采用2 000幅重构物像与相关原始物像计算三种定量评估指标的值如表1所示.由表1可知，在参考光波为平面波以及衍射距离为z0=0.3 m时深度学习重构物像的客观评估指标接近于其他两种传统的重构方法.对于深度学习方法，记录参考光为平面波，衍射距离为z0=0.3 m时的客观评估指标最好.