《表2 4种算法的去噪与增强效果的定量比较Table 2 Quantitative comparison of denoising and enhancement effects among four

  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

《结合分数阶微分的浮选泡沫图像NSCT多尺度增强》

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

为验证文中算法对不同大小和类型气泡图像具有普遍性，对图9（a）的较大、中等、小气泡的256×256图像，分别运用文献[4]、文献[9]、文献[10]及文中算法进行增强.为了定量比较增强效果，选取有代表性的各类图像各30幅进行实验，计算增强后图像的平均灰度、对比度、清晰度、信息熵、灰度共生矩阵的纹理相关性[17]、PSNR及运行时间的平均值，各算法的性能统计结果如表2所示.文献[4]算法运行效率较高，改善了泡沫图像的亮度、对比度、清晰度和信息熵，同时也放大了噪声，PSNR较低，存在大量噪声点.文献[9]算法虽然也能改善泡沫图像的亮度、对比度、清晰度和信息熵，但不能完全去除图像中的噪声，峰值信噪比低，而且气泡内部大量纹理细节丢失，纹理相关性低，该算法的Contourlet变换处理效率低，需要几秒的运行时间.文献[10]算法对泡沫图像的对比度、清晰度和信息熵都有一定的提高，纹理细节保留较好，PSNR较高，但亮度提升不明显，而且采用单一的噪声阈值，部分噪声被当作边缘而放大，部分弱边缘被当作噪声而平滑，出现了散斑和边缘失真，该算法的NSCT变换处理效率较低，需要20几秒的运行时间.文中算法因NSCT分解的尺度和方向较多，整体运行效率较低，但大大改善了泡沫图像的亮度，有较高的对比度、清晰度和信息熵，具有最佳的PSNR和纹理相关性，纹理相关性和PSNR比文献[10]算法分别提高了2.1%和1.16 d B，噪声抑制能力强，保留了更多的纹理细节.