五、实验与分析
1.实验说明
针对本章所提出的基于Chebyshev理论与Radon变换的噪声降质图像复原模型及算法,以Matlab7.8为测试平台完成仿真实验,选取国际通用的典型标准测试图像(包括三幅灰度图像Lena,Peppers,Mandrill与两幅彩色图像Girl,Airplane),其大小均为256×256,如图5-8所示。
图5-8 典型测试图像
仿真实验为量度降质图像的复原质量,采用峰值信噪比(peak signal-tonoise ratio,简称PSNR)与噪声抑制均方误差(mean square error of noise suppression,简称MSENS)来客观评价复原图像的质量[53]。仿真实验为测评本章所提出的降质图像复原算法的有效性,将该算法(PA)与其他常见噪声降质图像复原算法进行对比实验,这些算法包括HPFSM[50],SBF[55],SMF[55],SADA[56]及MNF[57]。
本章实验参数取值如下:公式(5-20)中δ是一个常数,且根据实验δ=0.0002;公式(5-21)模糊平均过程中的参数分别在实验中自适应获取,即th1=abs(μ-κ×σ),th2=abs(μ+κ×σ),α=min(th1,th2),β=1-α。
2.实验结果及评价
将本章所提出的降质图像复原算法PA与其他常见算法(包括SBF,HPFSM,SMF,SADA及MNF等)在图像噪声去除能力和图像细节信息保护能力方面进行性能比较。针对各类别不同强度噪声干扰影响的测试图像进行图像复原操作,给予降质图像复原质量以客观评价(包括PSNR和MSENS)与主观评价。
(1)图像去噪的性能实验。
①去除椒盐噪声。预设五幅测试图像(包括三幅灰度图像Lena,Peppers,Mandrill与两幅彩色图像Girl,Airplane),受不同强度椒盐噪声干扰导致其图像降质,使用常见表现较好的降质图像复原算法SBF,HPFSM,SMF,SADA,MNF及本章所提出的算法PA对其进行图像复原,其复原后图像的PSNR与MSENS值被列出(表5-3)。从该列表数据获知,对于灰度图像复原,在噪声强度较低时(如30%),算法SBF取得较好的PSNR与MSENS值;在噪声强度较低时(如30%),算法SBF取得较好的PSNR与MSENS值;在噪声强度较高时(如60%,80%,90%等),本章所提出的算法PA对比其他算法,在噪声图像复原后其图像评价较好。对于彩色图像复原,在噪声强度较低时(如30%,60%等)时,算法SBF取得较好的PSNR与MSENS值;在噪声强度较高时(如80%,90%等)时,本章所提出的算法PA对比其他算法,在噪声图像复原后其图像评价较好。因此,本章所提出的算法PA对于受高强度椒盐噪声感染图像的复原操作具有较好性能。
②去除随机脉冲噪声。预设五幅测试图像(包括三幅灰度图像Lena,Peppers,Mandrill与两幅彩色图像Girl,Airplane),受不同强度随机脉冲噪声干扰导致其图像降质,使用常见表现较好的降质图像复原算法SBF,HPFSM,SMF,SADA,MNF及本章所提出的算法PA对其进行图像复原,其复原后图像的PSNR与MSENS值被列出(表5-4)。从该列表数据获知,对于灰度图像复原,在噪声强度较低时(如10%,30%等)时,算法MNF取得较好的PSNR与MSENS值,特别指出算法HPFSM复原图像Mandrill后其图像评价也较好;在噪声强度较高时(如60%,80%等),本章所提出的算法PA对比其他算法,在降质图像复原后其图像评价较好。对于彩色图像复原,在噪声强度较低时(如10%)时,算法MNF取得较好的PSNR与MSENS值;在噪声强度较高时(如30%,60%,80%等)时,本章所提出的算法PA对比其他算法,在降质图像复原后的图像评价较好。因此,本章所提出的算法PA对于受高强度随机脉冲噪声感染降质图像的复原操作具有较好性能。
表5-3 测试图像受不同强度的椒盐噪声影响降质并由不同算法将其复原后的PSNR(dB)和MSENS
表5-4 测试图像受不同强度的随机脉冲噪声影响降质并由不同算法将其复原后的PSNR(dB)和MSENS
③去除高斯噪声。预设五幅测试图像(包括三幅灰度图像Lena,Peppers,Mandrill与两幅彩色图像Girl,Airplane),受不同强度均值为0的高斯噪声干扰导致其图像降质,使用常见表现较好的降质图像复原算法SBF,HPFSM,SMF,SADA,MNF及本章所提出的算法PA对其进行图像复原,其复原后图像的PSNR与MSENS值被列出(表5-5)。从该列表数据获知,对于灰度图像复原,在噪声强度较低时(如10%)时,算法MNF取得较好的PSNR与MSENS值,特别指出算法HPFSM复原图像Mandrill后其图像评价也较好;在噪声强度较高时(如30%,60%,80%等),本章所提出的算法PA对比其他算法,在降质图像复原后其图像评价较好。对于彩色图像复原,在噪声强度较低时(如10%)时,算法MNF取得较好的PSNR与MSENS值。在噪声强度较高时(如30%,60%,80%等)时,本章所提出的算法PA对比其他算法,在降质图像复原后的图像评价较好。因此,本章所提出的算法PA对于受高强度高斯噪声感染降质图像的复原操作具有较好性能。
表5-5 测试图像受不同强度的高斯噪声影响降质并由不同算法将其复原后的PSNR(dB)和MSENS
④去除混合噪声。混合噪声为不同强度椒盐噪声、随机脉冲噪声及高斯噪声(均值为0)的混合,本实验选取以下六种情况为例(注:该算法适用性不仅限于所列噪声混合情况):
Mixed 1:10%的椒盐噪声+30%的高斯噪声;
Mixed 2:10%的椒盐噪声+10%的随机脉冲噪声;
Mixed 3:10%的随机脉冲噪声+10%的高斯噪声;
Mixed 4:10%的椒盐噪声+60%的高斯噪声;
Mixed 5:60%的椒盐噪声+10%的高斯噪声;
Mixed 6:50%的随机脉冲噪声+50%的高斯噪声。
预设五幅测试图像(包括三幅灰度图像Lena,Peppers,Mandrill与两幅彩色图像Girl,Airplane),受不同强度混合噪声干扰导致其图像降质,使用常见表现较好的降质图像复原算法SBF,HPFSM,SMF,SADA,MNF及本章所提出的算法PA对其进行图像复原,其复原后图像的PSNR与MSENS值被列出(表5-6)。从该列表数据获知,对于灰度图像复原,在低强度噪声混合时(如Mixed 1,Mixed 2)时,算法SBF,SMF及MNF取得较好的PSNR与MSENS值;在较高强度噪声混合时(如Mixed 4,Mixed 5,Mixed 6)时,本章所提出的算法PA对比其他算法,在降质图像复原后其图像评价较好。对于彩色图像复原,在低强度噪声混合时(如Mixed 2,Mixed 3)时,算法SMF与MNF取得较好的PSNR与MSENS值;因此,本章所提出的算法PA对于受较高强度混合噪声感染降质图像的复原操作具有较好性能。
表5-6 测试图像受不同强度的混合噪声影响后降质并由不同算法将其复原后的PSNR(dB)和MSENS
续表
(2)图像细节信息保护的性能实验。关于降质图像复原算法对图像细节信息保护的性能分析,可参考图5-9～图5-13所示实验结果。通过本章所提出的算法PA与其他算法(包括SBF,HPFSM,SMF,SADA及MNF)的对比实验,给出图像Lena,Peppers,Mandrill,Girl与Airplane受不同类别及强度噪声干扰降质再由各类降质图像复原算法恢复后的效果图。其中:图5-9展示了局部Lena图像受30%的随机脉冲噪声感染降质再通过各类降质图像复原算法恢复的图像,从该组实验效果图分析获知,本章所提出的算法PA对于低强度噪声干扰的灰度图像具有较好的图像细节信息保护能力(例如,Lena图像中帽子边沿处的信息);图5-10展示了局部Peppers图像受10%的随机脉冲噪声与10%的高斯噪声混合感染降质再通过各类降质图像复原算法恢复的图像,从该组实验效果图分析获知,本章所提出的算法PA对于低强度混合噪声干扰的灰度图像具有较好的图像细节信息保护能力(例如,Peppers图像中蔬菜叠加处的信息);图5-11展示了局部Mandril图像受10%的椒盐噪声和30%的高斯噪声混合感染降质再通过各类降质图像复原算法恢复的图像,从该组实验效果图分析获知,本章所提出的算法PA对于较高强度混合噪声干扰的灰度图像具有较好的图像细节信息保护能力(例如,图像Mandrill中胡须处的信息);图5-12展示了局部Girl图像受30%的高斯噪声感染降质再通过各类降质图像复原算法恢复的图像,从该组实验效果图分析获知,本章所提出的算法PA对于低强度噪声干扰的彩色图像具有较好的图像细节信息保护能力(例如,Girl图像中背景的信息);图5-13展示了局部Airplane图像受60%的高斯噪声感染降质再通过各类降质图像复原算法恢复的图像,从该组实验效果图分析获知,本章所提出的算法PA对于高强度噪声干扰的彩色图像具有较好的图像细节信息保护能力(例如,图像Airplane中背景的信息)。
图5-9 Lena图像受30%的随机脉冲噪声感染降质再通过各类去噪算法恢复的图像
由上述实验结果获知,本章所提出的算法PA对比其他算法在各类噪声干扰降质图像复原时表现出较好的去噪能力,同时图像复原后可保留更多的细节信息。
图5-10 Peppers图像受混合噪声(包含10%随机脉冲噪声与10%高斯噪声)干扰后再通过各类去噪算法恢复的图像
3.算法效率分析
图5-11 Mandrill图像受到混合噪声(包含10%椒盐噪声与30%高斯噪声)干扰后再通过各类去噪算法恢复后的图像
图5-12
图5-12 Girl图像受到30%的高斯噪声干扰后再通过各类去噪算法恢复后的图像
图5-13 Airplane图像受到60%高斯噪声干扰后再通过各类去噪算法恢复后的图像
仿真实验在1.86GHz CPU与1GB RAM配置的PC上运行,本章所提出的算法PA与SBF,HPFSM,SMF,SADA及MNF等其他算法针对同一降质图像、在相同运行条件下分别完成50次图像复原实验并测算其平均运行时间,实验运行数据如图5-14所示。实验运行结果表明,本章所提出的降质图像复原算法PA平均运行时间较少,其他去噪算法平均运行时间是PA所用时间的5～11倍(注:因为SBF与MNF的平均运行时间分别为221s与345s,相比其他算法,远大于图表所示运行时间范围,所以未在图表中标出)。由算法效率实验分析可知,本章所提出的基于Chebyshev理论与Radon变换的噪声降质图像复原算法PA具有较好的运算性能。
图5-14 各类降质图像复原算法的运算效率