《表5 不同噪声水平下在10张测试图像集合上的预测结果与真实结果的均方根误差Tab.5 The RMSEresults obtained from ten images with different

  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

《基于小波变换系数统计特征值和深度神经网络的快速噪声水平评估算法》

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

为了更加全面且系统地测试各个NLE算法的评估性能，用在测试图像集合全体图像上的预测结果与真实噪声之间的均方根误差作为NLE性能的评价指标。首先，用各个算法分别在第一个含有10张图像的测试图像集合上进行噪声水平值估计，选取具有代表性的噪声水平为5、10、15、20、40、60、80、100的噪声水平值下的预测数据进行准确性度量，结果如下表5所示。其次，选用第二个含有50张图像的测试图像集合上采用同样的方法进行预测，其结果如表6所示。比较表5和表6的数据结果可知:表6中各算法的预测结果与真实值之间的均方根误差与表5中的实验结果总体上相似。当噪声水平高于20时，FNLE算法相对于参与比较的算法具有显著的优势。而在低水平的噪声级别下，虽然Liu算法[19]的预测准确性表现最佳，但是由下文的执行时间可以看出，该算法的执行时间要比FNLE算法长很多，这严重影响了其在实际应用中使用的效果。因此，FNLE算法的综合性能还是比较令人满意的。