《表4 在10幅常用图像上的PSNR均值》

  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

《局部特定空间关系统计特征的RVIN噪声检测器》

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

注:加粗字体表示各列最优结果。

为了区分上述降噪实验中RVIN噪声检测模块和降噪模块在总体降噪效果中的贡献大小，本文在10幅常用图像上进行测试。使用所提出的RVIN检测器结合inpainting修复算法（proposed-inpainting）（Chan等，2017）、真实噪声标签结合GIRAF算法（truth-GIRAF）（Ongie和Jacob，2016）和使用所提出的RVIN检测器结合GIRAF算法（proposed-GIRAF）分别对添加了各噪声比例的测试集图像进行降噪，并记录10幅图像的PSNR均值，结果如表4所示。可以看出，proposed-GIRAF仅在低噪声比例情况下比使用proposed-inpainting算法有一定优势，PSNR指标提升了1.47 d B，随着噪声比例增高，这种优势逐渐消失。inpainting和GIRAF都是性能不错的修复算法，它们之间的性能有差异，但不是很大。相对来说，GIRAF更好一些，所以本文选用GIRAF算法完成对检测出的噪声进行降噪的任务。另一方面，通过对比truth-GIRAF和proposed-GIRAF可以看出，truth-GIRAF算法在各个噪声比例条件下10幅图像的PSNR均值比proposed-GIRA高6.5 7.4 d B，优势显著，主要因为truth-GIRAF算法使用的噪声标签是完全正确的缘故。说明噪声检测器的检测正确率越高，对降噪效果的提升越有帮助。在整个降噪效果的提升贡献中，噪声检测正确率的提高起到了更多的作用。结合表2可知，本文提出的RVIN检测器的检测正确率在各噪声比例下都相对较高，通过与GIRAF搭配使用后，降噪效果最终在所参与对比的算法中是最好的。总之，proposed-GIRAF算法的优良降噪效果主要取决于噪声检测器的检测正确率，后续降噪算法（GIRAF）起次要作用。