《表3 不同的方法在Middlebury数据集A上重建结果的定量分析(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

《基于金字塔式双通道卷积神经网络的深度图像超分辨率重建》

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

图5是当超分辨率重建倍数为8时本文方法和其他方法在Middlebury数据集上的重构结果图像对比，红色矩形区域（见电子版）对应局部放大区域。Liu[9]和Li[11]利用彩色图像引导深度图像超分辨率重建，从图5（b）（c）可以看出，这两种方法存在边缘模糊的问题，因为这两种方法不能完全解决结构不一致的问题。由图5（d）可以看出，由于VDSR使用了双三次插值进行预处理，所以重建图片存在边缘伪影的现象。由图5（e）可以看出，本文方法有效地解决了边缘失真和伪影的问题，因为本文双通道网络结构提取的特征具有互补性。由表1、2可知，在RMSE指标上，本文算法均优于传统深度图像超分辨率重建算法（例如文献[9～11，13，16]方法）和深度学习算法（SRCNN，VDSR，Lap SRN，文献[20，21]方法）相比，本文也取得了较好的结果，有11个最优结果，4个次优结果。由表3、4可知，在SSIM指标上，本文取得了15个最优结果，1个次优结果。在表中，黑色字体表示最优值，下画线标志次优值。Lap SRN和本文都是基于CNN对图像的超分辨率重建，与其相比，本文的RMSE指数平均降低了约0.20，降低比例约12.45%。SSIM指数平均增加了约0.002。