《表3 不同算法的平均运行时间耗费》

  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

《改进SVM分类和稀疏表示的图像混合去噪算法》

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

从表3可以看出本文的运行时间因两次去噪偏长，但是结合检测结果，总体效率优于其他算法.本文算法的学习能力和纹理保持能力对伪影有较强的鲁棒性，其保留边缘和纹理成分的能力优于其他方法.K-SVD更适合于自然图像，并通过自适应字典得到更好的去噪结果.但K-SVD字典需要大量的计算，因此K-SVD不适用于大量的图像块.基于图像块的去噪方法的主要缺点是图像先验是强加于中间结果，而不是最终结果.通过引入MS-EPLL（多尺度前期预期补丁对数似然）方法克服，其中对从噪声图像中提取的不同尺度补丁施加了相同的先验.MS-EPLL可以获得更好的复杂图像的去噪结果，能够保留更多细节，并且在纹理和平面区域的去噪效率不高.在基于粒子群聚类的SVM决策树分类的混合去噪方案中，分析了基于差异系数的稀疏度自适应SK-SVD和纹理保持方法GHP的优点.