Page 309 - 《软件学报》2020年第12期

刘宇男 等:基于级联密集网络的轮廓波变换域图像复原 3975

Table 4 Average PSNR(dB)/SSIM results of different methods (Continued)
表 4 图像超分辨率方法的 PSNR 和 SSIM 结果(续)
SSIM
数据集 尺度
Bicubic RED DnCNN SRGAN DRRN MemNet IDN 本文方法
×2 0.929 9 0.959 9 0.959 0 −/− 0.959 1 0.959 7 0.960 0 0.961 1
Set 5
×4 0.810 4 0.886 9 0.884 5 0.847 2 0.888 8 0.889 3 0.890 3 0.894 6
×2 0.868 8 0.914 4 0.912 8 −/− 0.913 6 0.914 2 0.914 8 0.917 5
Set 14
×4 0.702 7 0.771 8 0.767 2 0.739 7 0.772 1 0.772 3 0.773 0 0.777 8
×2 0.843 1 0.897 4 0.896 1 −/− 0.897 3 0.897 8 0.898 5 0.902 3
BSD100
×4 0.667 5 0.729 0 0.725 3 0.668 8 0.728 4 0.728 1 0.729 7 0.736 1

3.3 主观复原结果
这部分将通过主观结果进一步证明本文方法在恢复高频细节上的显著优势.图 7 给出了图像去噪结果:图
[2]
7(f)为原始图像;在图 7(f)上添加标准差为 30 的高斯噪声得到图 7(a);图 7(b)~图 7(d)分别为 DnCNN ,
MemNet [34] 及 RED [45] 的去噪结果,这些方法虽然去除了大部分高斯噪声,但在一些区域出现了比较严重的失真
情况,如图中方框中给出的局部放大区域;如图 7(e)所示,本文方法的结果不但取得了更高的 PSNR和 SSIM,而且
在局部细节的恢复能力上明显强于其他方法,如方框中人眼睛部分的结构及树木区域的纹理细节.

Fig.7 Comparisons results of image denoising (Gaussian noise level is 30)
图 7 图像去噪的对比结果(高斯噪声等级为 30)

图 8 给出图像 JPEG 解压缩结果:图 8(f)为原始图像;对图 8(f)进行质量因子为 10 的 JPEG 压缩得到图 8(a);
[2]
图 8(b)~图 8(d)分别为 DnCNN 及 MemNet [34] ,RED [45] 的 JPEG 解压缩结果,这些方法虽然在一定程度上解决了
JPEG 压缩造成的块效应,但在复原一些高频信息复杂的区域时却丢失了大量细节,如图中方框中给出的局部放
大区域;本文方法的结果如图 8(e)所示,不但去除 JPEG 伪影的能力强于其他方法,而且还展现出了最优结构及
纹理复原能力,如方框中桌布网格结构及裤子的线条边缘.
图 9 给出 4 倍尺度上图像超分辨率的结果:图 9(h)为原始图像;图 9(a)~图 9(f)分别为双三次插值上采样,
[2]
DnCNN ,IDN [29] ,MemNet [34] ,DRRN [35] 以及 RED [45] 的结果,这些方法虽然恢复出了部分高频细节,但对于纹理
分布密集的区域却出现了比较严重的失真,如图中方框中给出的局部放大区域;与其他方法相比,本文方法结果
中的斑马条纹更加接近于原始高分辨率图像.如表 4 所示,基于对抗神经网络的方法 SRGAN [17] 在客观评价指标