基于CSC算法的图像修复方法

下面用训练集City－10上学习到的卷积字典来用于图像修复并比较各算法所得字典的性能。图7－5中显示了数据集House中的16张测试图像，每张图像都进行50%的随机下采样，然后用算法7－2完成图像修复任务。200 s训练时间字典与最终字典都用于测试比较，其PSNR结果显示于表7－2中，可见，大部分情况下PCDL1算法展现出最好的性能指标。

图7－3　City－10数据集上的字典结果比较

注：每个子图下面的时间指标是相应算法的CPU运行时间。

表7－2　16张测试图像的PSNR性能dB

续表

注：每个测试图像的第1行中为使用200 s字典的修复结果，而第2行为使用最终字典的修复结果，最后两行给出了所有测试图像的平均PSNR指标。(www.xing528.com)

图7－4中给出了测试图像（14）的修复结果用于视觉比较。可以看出，只要达到各算法的终止条件，各算法的修复效果相近。但是考虑到学习时间，本章的PCDL算法的优势是明显的，因为它们比CCSC、BPG_M、LoBCoD至少快5倍，并能获得同样的性能。

图7－4　使用各算法最终卷积字典修复测试图像（14）的重建结果

注：算法名称后面的数字为PSNR（dB）结果。

为进一步验证所学字典中不包含的图像特征的修复性能，图7－5提供了另外两个修复结果。可以发现，其PSNR值比图7－5中的平均值低约1 dB。图7－5中用框标出了高误差区域，这些区域的图像特征不能通过学习到的卷积核较好地合成。这是由于图7－5中的草地和云彩的纹理在训练数据集City上是不存在的，但是所有的建筑物特征都忠实地恢复了出来。因此，在不同的成像问题中使用CSC时，应该确保训练样本的多样性——这也是任何一个学习方法都要认真处理的问题。

图7－5　Houses与Church图像使用PCDL1卷积字典的图像修复结果

注：框标注位置为不能通过所学字典精确重建的图像纹理特征。