Page 308 - 《软件学报》2020年第12期

3974 Journal of Software 软件学报 Vol.31, No.12, December 2020

变换与 CDCNN 结合的有效性.
3.2 客观评估
我们将选择 PSNR 和 SSIM 指标 [52] 对本文提出方法进行客观评估.首先,表 2 给出了图像去噪结果,其
[4]
[2]
[3]
中:BM3D 和 PGPD 为传统基于先验的图像去噪方法;RED [45] ,DnCNN ,MemNet [34] 以及本文提出方法属于
基于 CNN 的方法.表 2 中对比方法均采用与其对应的开源代码进行测试,“−/−”表示该方法没有处理对应高斯噪
声浓度的模型.表 2 中测试图像为 BSD100 中的 100 幅彩色图像,每幅图像转化灰度图像后添加均值为 0,标准差
分别为 30,50,70 的高斯白噪声.可以看出:CNN 方法的去噪能力强于传统基于先验估计的方法,且本文方法在不
同高斯噪声浓度下均展现了最优的复原性能.
Table 2 Average PSNR(dB)/SSIM results of different methods for image denoising on BSD100
表 2 BSD100 上不同方法图像去噪的平均 PSNR 和 SSIM 结果
PSNR
标准差
BM3D PGPD RED DnCNN MemNet 本文方法
σ=30 25.966 27.611 28.227 28.144 28.235 28.678
σ=50 23.807 25.580 26.094 26.047 26.197 26.531
σ=70 22.585 24.395 24.843 −/− 24.949 25.230
SSIM
σ=30 0.763 5 0.755 5 0.792 1 0.785 8 0.791 9 0.803 7
σ=50 0.672 5 0.669 3 0.705 6 0.699 3 0.714 9 0.723 2
σ=70 0.609 8 0.614 7 0.648 5 −/− 0.657 5 0.664 2
表 3 给出了 BSD100 数据集上,图像 JPEG 解压缩结果,对比方法均为基于 CNN 方法.JPEG 质量因子分别
[2]
设置为 5,10,20.对比方法 DnCNN ,MemNet [34] ,RED [45] ,TNRD [49] 结果来自于对应方法的开源代码,这些方法未
提供 JPEG 质量因子为 5 时的复原模型,在表 3 中用“−/−”表示.通过表 3 看出:当 JPEG 质量因子为 10 和 20 时,
本文方法的复原结果明显高于其他方法;当受到更严重 JPEG 压缩(质量因子为 5)时,本文方法仍然可以实现较
高的 PSNR 和 SSIM.
Table 3 Average PSNR(dB)/SSIM results of different JPEG decompression methods on BSD100
表 3 BSD100 上不同图像 JPEG 解压缩方法的平均 PSNR 和 SSIM 结果
PSNR
质量因子
JPEG RED TNRD DnCNN MemNet 本文方法
5 25.254 −/− −/− −/− −/− 26.792
10 27.576 28.864 28.823 28.843 29.049 29.260
20 29.725 31.053 31.012 31.054 31.241 31.417
SSIM
5 0.642 6 −/− −/− −/− −/− 0.698 2
10 0.747 8 0.784 1 0.782 6 0.783 1 0.788 5 0.791 2
20 0.831 7 0.857 0 0.856 1 0.857 8 0.860 4 0.866 7
表 4 给出了 Set5,Set14 及 BSD100 数据集上,不同超分辨率方法的 PSNR 和 SSIM,对比方法包括基于 CNN
[2]
方法 DnCNN ,MemNet [34] , DRRN [35] ,RED [45] 以及基于对抗神经网络的方法 SRGAN [17] .由表 4 可以看出,本文方
法在 2 倍和 4 倍尺度的超分辨率任务上均提供了最优的重建性能.
Table 4 Average PSNR(dB)/SSIM results of different methods
表 4 图像超分辨率方法的 PSNR 和 SSIM 结果
PSNR
数据集 尺度
Bicubic RED DnCNN SRGAN DRRN MemNet IDN 本文方法
×2 33.66 37.66 37.58 −/− 37.74 37.78 37.83 38.07
Set 5
×4 28.42 31.51 31.40 29.40 31.68 31.74 31.82 32.22
×2 30.24 32.94 33.03 −/− 33.23 33.28 33.30 33.66
Set 14
×4 26.00 27.86 28.04 26.02 28.21 28.26 28.25 28.70
×2 29.56 31.99 31.90 −/− 32.05 32.08 32.08 32.28
BSD100
×4 25.96 27.40 27.29 25.16 27.38 27.40 27.41 27.74