《表3 对比实验的性能比较》
为了进一步证明本文方法的优势,进行了一系列关于改进SE模块和视差图特征的对比实验.在表3中,实验1表示仅仅使用融合图像的单通道网络和原始的SE模块,实现融合图像的特征提取和特征的自我校正.实验2在实验1的基础上,加入视差图的另一个通道网络,在这个实验中,视差图是用来进行特征提取和最终的特征补偿,不对融合图进行加权指导.实验3表示视差图通过使用改进的SE模块对融合图像进行加权指导,但没有将视差图的特征融入最终特征,质量分数仅仅由加权的融合图像的特征向量得到.与实验1相比,实验2取得了更好的性能,与实验3相比,本文方法取得了更好的性能,这两种现象,充分体现了将视差图的特征最为补偿特征,提升了整体性能.另外,实验1中,使用原始的SE模块实现了融合图像的自我校正;实验3中,使用改进的融合图像实现了视差图指导融合图像,与实验1相比取得了更好的性能.与实验2相比,本文将改进的SE模块替换原始的SE模块,取得了更好的性能.这两种情况说明了改进的SE模块的优越性.通过上述的对比实验,说明了本文算法的通过视差图进行特征补偿和改进的SE模块的优点取得了优异的性能.
图表编号 | XD00172725000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.15 |
作者 | 李素梅、丁义修、常永莉、韩旭 |
绘制单位 | 天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |