《表1 PSNR/SSIM结果对比表》
在客观评价上将本文算法同双三次线性插值(Bicubic)、SRCNN、VDSR、LapSRN、DWSR、Du[20]和SDSR 7种方法在4个测试集上的×2、×3、×4放大倍数进行对比,对比结果为6次实验的平均值,指标最高的数据加粗显示,如表1所示。从表1可以看出,相比传统Bicubic方法,基于学习的超分辨率重建方法在PSNR和SSIM上有着显著的优势。在基于深度CNN的方法中,本文算法指标全面优于SRCNN。相比于DWSR的10层简单网络,采用残差密集网络后,图像特征提取能力更强,同时获取浅层结构和细节信息更多,重建效果更优。相比于VDSR、LapSRN和SDSR,WRDSR在Set5、Set14和BSD100上测试结果基本持平,Set5和Set14上个别PSNR稍稍逊色于Du[20]。相比于其他算法,WRDSR在Urban100上优势明显,并且SSIM普遍高于其他算法,这得益于小波变换与残差密集网络相结合获取到了更多图像中不同层次的结构性信息,并且Urban100中以城市场景图像为主,富含不同频段的细节,结构性信息丰富,从而结构相似性更高,重建效果更加优秀。
图表编号 | XD00214247300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 董本志、于明聪、赵鹏 |
绘制单位 | 东北林业大学信息与计算机工程学院、东北林业大学信息与计算机工程学院、东北林业大学信息与计算机工程学院 |
更多格式 | 高清、无水印(增值服务) |