《表2 各噪声检测器在Lena图像上的各项性能指标对比》
注:加粗字体和下划线字体分别表示各列最优和次优结果。
为验证提出的RVIN噪声检测器的检测准确性,对原始无失真的图像均分别施加比例为20%、40%和60%的RVIN噪声,统计各个脉冲噪声检测器在每幅噪声图像上的漏检数、误检数和错检总数,对比数据(限于篇幅,仅给出了Lena图像(图5(d))上的实验数据)如表2所示。通常情况下,漏检率高意味着图像中仍有较多的噪声未被检测出来,误检则会导致在降噪阶段对正常的无失真像素点执行降噪过程,使得图像模糊化。错检总数是漏检数和误检数的和,该值越小意味着检测错误率越低,检测正确率越高,意味着降噪后的图像质量会更好。由表2可知,本文所提噪声检测器的漏检数和误检数较为平衡,在错检总数指标上与CNN-based的算法一起排名,处于所有算法中的前2名,为后续的降噪模块打下了很好的基础。需要说明的是,由于漏检数和误检数对后续图像降噪模块影响的方式不同,故本文所提出的检测算法和CNN-based的算法的RVIN噪声检测结果最终对降噪效果的影响还可进一步通过实际降噪效果的对比进行分析。
图表编号 | XD00215907300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.16 |
作者 | 于海雯、易昕炜、徐少平、林珍玉、刘蕊蕊 |
绘制单位 | 南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院、南昌大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |