《表3 不同算法的平均运行时间耗费》
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.
图表编号 | XD0079880900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.01 |
作者 | 赵蒙娜、李东兴、赵宗超、蔡亚南、吴秀东 |
绘制单位 | 山东理工大学机械工程学院、山东理工大学机械工程学院、山东理工大学机械工程学院、山东理工大学机械工程学院、山东理工大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |