第四章 實驗結果與分析
4.2 實驗結果
4.2.2 不同補丁合成方法對於超解析度結果的比較
在這部分的實驗中，將比較本論文所提出的影像縫補技術與 Freeman 的 One-pass 演算法這兩種不同的補丁合成方法對於超解析度結果的影響。訓練資料的影像樣本如圖
‧
Original HR image
Our method PSNR: 34.29 dB
SSIM: 81.66%
Quilting path Conditions:
DB: Human face DB patches: 200,000 LR resize: 1/2 Patches synthesis:
One-pass algorithm vs. our method
One-pass algorithm PSNR: 33.60 dB
SSIM: 80.95%
Blur and Resize to 1/2
smoother Original HR image
Our method PSNR: 32.30 dB
SSIM: 78.56%
Quilting path Conditions:
DB: Human face DB patches: 200,000 LR resize: 1/2 Patches synthesis:
One-pass algorithm vs. our method
One-pass algorithm PSNR: 32.19 dB
SSIM: 78.12%
Blur and Resize to 1/2
smoother
‧
Original HR image
Our method PSNR: 33.33 dB
SSIM: 78.39%
Quilting path Conditions:
DB: Human face DB patches: 200,000 LR resize: 1/4 Patches synthesis:
One-pass algorithm vs. our method
One-pass algorithm PSNR: 32.36 dB
SSIM: 76.21%
Blur and Resize to 1/4 Original HR image
Our method PSNR: 31.74 dB
SSIM: 76.22%
Quilting path Conditions:
DB: Human face DB patches: 200,000 LR resize: 1/4 Patches synthesis:
One-pass algorithm vs. our method
One-pass algorithm PSNR: 31.02 dB
SSIM: 73.90%
Blur and Resize to 1/4
sharper
‧
Original HR image
Our method PSNR: 32.69 dB
SSIM: 75.88%
Quilting path Conditions:
DB: Human face DB patches: 200,000 LR resize: 1/16 Patches synthesis:
One-pass algorithm vs. our method
One-pass algorithm PSNR: 32.37 dB
SSIM: 75.76%
Blur and Resize to 1/16 Original HR image
Our method PSNR: 30.95 dB
SSIM: 72.50%
Quilting path Conditions:
DB: Human face DB patches: 200,000 LR resize: 1/16 Patches synthesis:
One-pass algorithm vs. our method
One-pass algorithm PSNR: 30.82 dB
SSIM: 72.15%
Blur and Resize to 1/16
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-16、圖 4-18 與圖 4-20 分別代表受測影像一在取樣比率為 1/2、1/4、1/16 時 的超解析度放大結果；圖 4-17、圖 4-19 與圖 4-21 則分別代表受測影像二在取樣比率 為 1/2、1/4、1/16 時的超解析度放大結果。以本論文方法所產生的超解析度影像與 Freeman 的方法相比，可以發現在受測影像中，頭髮的邊緣較為銳利，而皮膚也較為平滑。由於 本論文方法在每一次高頻補丁與相鄰補丁的合成上，都會找最小錯誤邊界的分割，如圖 4-22 所示，我們將每一次的最小錯誤邊界的分割紀錄成一張路徑圖，以觀察其實際分割 的變化並與超解析度後的影像進行對照比對。
圖 4-22 補丁在重疊區域的分割路徑圖
如表 4-2 所示，本論文方法在 PSNR 與 SSIM 的數據都高於 Freeman 的 One-pass 演算法。其中，如圖 4-23 與圖 4-24 所示，在受測影像的取樣比率為 1/4 時，效果更為 明顯。在對照實際的評量數據 PSNR 與 SSIM 後，證實本論文所提出的影像縫補技術可 以適用在以樣本為基礎的超解析度演算法中的補丁合成方法上，對於影像品質的提升有 一定的幫助。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
另外，為了讓實驗結果能更為嚴謹與周延，我們使用了 FEI face database 中的 100 張人臉圖片作為大量受測影像的樣本，以大規模受測影像的實驗數據驗證本論文方法的 效能。如圖 4-25 所示，總計 100 張解低度為 200×200 的人臉受測影像，其中男性與女 性的比例各為 50%，先將 100 張高解析度影像退化為低解析度影像，然後以光柵式掃描 的順序依續進行測詴。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(a)
(b)
圖 4-26 100 張人臉受測影像所得到的 PSNR 與 SSIM 的折線圖
圖 4-26 (a)與(b)各為 100 張人臉受測影像的實驗數據所繪製而成的 PSNR 與 SSIM 的折線圖，可以很清楚地發現，以本論文方法所得到的 PSNR 與 SSIM 的值均高於 One-pass 演算法。其中，在最好的狀況下，以本論文方法所得到的 PSNR 值可以大於
25 30 35 40
PSNR
One-pass演算法 本論文方法
70%
80%
90%
100%
SSIM
One-pass演算法 本論文方法
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
用 Freeman 的以樣本為基礎的超解析度演算法文中的一張失敗案例的影像進行實驗，如 圖 4-27 所示，將一張含有 JPEG 雜訊的低解析度影像進行超解析度放大，以 Freeman 方法放大的結果，在影像中人物的臉上出現許多因雜訊與補丁接續不良而產生的人工高 頻資訊，相對於本論文方法，由於利用影像縫補技術，使得補丁與補丁之間的接續性更 為良好，對於含有雜訊的影像而言，以本論文方法所得到的超解析結果同樣也優於 Freeman 方法。
圖 4-27 Freeman 方法與本論文方法對於雜訊影像的超解析度結果的比較 (a) 原始低解析度影像
(b) 以 Freeman 方法放大 4 倍的結果 (c) 以本論文方法放大 4 倍的結果 (a)
(b)
(c)