《表1 碳纤维性能对比：基于互导滤波和显著性映射的红外可见光图像融合》

  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

《基于互导滤波和显著性映射的红外可见光图像融合》

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

为了更加客观全面地对算法进行评价，本文在TNO和Road Scene上分别随机抽取了20幅图像用于算法的于定量比较。结果如图3所示，图中从上到下分别为EN、NMI、STD、MSSIM的指标图，其中横坐标表示不同场景，纵坐标表示指标值大小，每个指标图上方的题注标明了指标均值。图3(a）为TNO数据集上的结果，图3(b）为Road Scene数据集的结果。从图中可以看出本文方法在随机挑选的20个场景中基本都可以达到最高的指标，相较于其他算法有较强的优越性。为了更加直观地感受到本文方法相较于其他方法的提升长度在表1中列出了本文算法相对于其他算法指标提升的百分比，其中加粗表示指标提升的最高百分比，下划线表示指标提升的最低百分比。T代表TNO场景，R代表Road Scene场景。图表的数据都保留小数点后两位。从图中可以看出：无论是TNO还是RoadScene本文算法的4个指标都以较为稳定的状态优于其他算法。如表1中所示在TNO数据集中本文算法的EN指标相对于第二名算法提升2.42%，相对于最差算法提升7.47%；NMI相对第二名算法提升10.34%，相对最差算法提升28%；STD相对于第二名算法提升33.09%，相对于最差算法提升了62.41%；MSSIM和MSVD持平，而相对于最差算法提升了7.46%。而在Road Scene数据集中的每个指标也都有所提升，但是提升的程度都小于TNO数据集，和定性分析的结果一致。