《表3 各降噪算法在纹理图像集的50幅噪声图像上的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。

为了验证所提出的噪声检测器的实际应用效果，将其与GIRAF（generic iteratively reweighted annihilating filter）算法（Ongie和Jacob，2016）组合构成一种RVIN噪声降噪算法（称为proposed-GIRAF），并增加ALOHA （annihilating filter-based low-rank Hankel matrix）（Jin和Ye，2018）算法参与对比测试。ALOHA算法是基于矩阵补全技术实现的RVIN降噪算法，其噪声检测和降噪模块并未进行分离，故本文仅用其对比降噪效果。从BSD数据库（Arbelez等，2011）中选取50幅纹理丰富的无失真图像作为测试集，对纹理图像集中的每幅图像施加10%60%、间隔10%的RVIN噪声，使用所有参与对比的降噪算法对每幅噪声图像进行复原，记录在各个噪声比例下降噪后图像的峰值信噪比（peak signal-to-noise ratio，PSNR）值的均值，如表3所示。从表3可以看出，proposed-GIRAF算法所复原图像的PSNR值在各个噪声比例下均取得了最优结果，比CNN-based的算法、BCNN-GIRAF和MLPNNC-GIRAF算法高很多，这意味着所提出的RVIN噪声检测器实际的检测结果对后继降噪模块是最为有效的。