《表1 图1~图3中实验结果的JC与DSC比较》

  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

《结合BV-L~2分解的CV变分水平集模型》

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

从实验结果可以看出，对于低噪声水平图像（例如σ=10，实验结果见图1），3个模型在视觉上都取得较好的分割结果，并且通过JC与DSC指标量化比较（见表1），仅仅利用图像全局信息的CV模型取得了比采用了平滑约束的VFCMS模型和ROF-CV模型更好的分割质量。但是随着噪声强度的增加（例如σ=30，实验结果见图2），噪声的对比度变大，一部分噪声点的灰度值到达了目标物体灰度。此时CV模型将这一部分和目标灰度相近的噪声点也作为目标提取出来，出现了很多伪边界，而导致了错误的分割。VFCMS模型和ROF-CV模型由于采用了平滑约束，所以可以取得较好的分割效果。当图像被强噪声污染（例如σ=50，实验结果见图3），由于结合了去噪能力很强的BV-L2分解，所以模型取得了比VFCMS模型和CV模型更优的分割质量。作为模型的副产品，还可以得到噪声图像的去噪恢复图像，分别见图1到图3的最后一幅图像。从实验结果可以看出，模型可以很好地去除噪声，得到视觉上较为满意的去噪结果。