具有相關度的盲圖像分離

圖 4.18 具有相關度的 5 張圖像

使用 MATLAB 指令運算這五張圖像的相關度，可以得到對應圖像的相關係數。

(4.11)式為各圖像間對應的相關係數，可以看到第 1 張圖像與第 2 張圖像的相關係

56 0.16075，RGBCA 演算法的 PI 數值為 0.00365。RGBCA 演算法的 PI 數值最小，

FastICA 演算法的分離效能依舊不是很好。BCA 演算法和 RGBCA 演算法的分離結 果結果都非常的好，分離出的圖像非常的完整。由於 FastICA 演算法理論上只能分 離相互獨立的訊號，所以分離具有相關度的圖像時效能不好。

圖 4.19 混合後的圖像

圖 4.20 FastICA 演算法分離結果

57

圖 4.21 BCA 演算法分離結果

圖 4.22 RGBCA 演算法分離結果

接著使用 SSIM 和 PSNR 來判斷分離出來的圖像品質好壞，由於排列順序不確 定性的問題，與相互獨立圖像分離相同，將分離後的圖像順序調整成與原始圖像 相同的排列順序，後面所指的第幾張是以原始圖像的位置為依據。表 4.14 為各個 演算法的 SSIM 數值，BCA 演算法和 RGBCA 演算法的數值都很接近 1，比 FastICA 演算法的數值還高。BCA 演算法在第 4 張圖像的分離品質比其他張低，但在可以 接受的範圍內。RGBCA 演算法的數值全都大於 0.99，分離圖像的品質非常高。

FastICA 演算法只有第 2 張圖像的分離結果較好，其餘分離出來的圖像品質都很低。

表 4.14 具有相關度的圖像分離的 SSIM 結果

演算法 SSIM

第 1 張圖像 第 2 張圖像 第 3 張圖像 第 4 張圖像 第 5 張圖像 FastICA 0.85636 0.92239 0.81333 0.46504 0.87236

BCA 0.99972 0.99972 0.99991 0.96837 0.99989 RGBCA 0.99987 0.99985 0.99973 0.99974 0.99970

表 4.15 具有相關度的圖像分離的 PSNR 結果

演算法 PSNR

第 1 張圖像 第 2 張圖像 第 3 張圖像 第 4 張圖像 第 5 張圖像 FastICA 18.0473 23.4072 19.7300 10.8757 20.2990

BCA 56.8950 52.7847 62.9963 34.1988 62.5144 RGBCA 64.4221 62.5020 54.1689 52.6017 54.9838 表 4.15 為各個演算法的 PSNR 數值，BCA 演算法和 RGBCA 演算法的數值比 FastICA 演算法的數值還要大，PSNR 數值全都大於 30。BCA 演算法的第 4 張圖像 的 PSNR 數值較小，品質較為不好，但在可以接受的範圍內。FastICA 演算法的 PSNR 數值皆在 30 以下，分離圖像的品質都很低。FastICA 演算法在處理具有相關度的

58

圖像上，沒有好的分離結果。

接著比較收斂速度，FastICA 演算法收斂速度，第一張圖像到第五張圖像收斂 的疊代次數分別是第 13 次、第 19 次、第 52 次、第 14 次和第 2 次。在第 3 張圖 像時疊代運算 52 次，其餘疊代次數都非常的快，雖然達到收斂但 PI 數值依舊很 大。跟相互獨立的圖像收斂疊代次數比較，疊代次數變多。圖 4.23 為 RGBCA 演 算法和 BCA 演算法收斂速度比較，RGBCA 演算法在 60 次疊代次數前的下滑趨勢 比 BCA 演算法還要快，RGBCA 演算法和 BCA 演算法在 110 次疊代次數之後收斂，

最後 RGBCA 演算法的 PI 數值較 BCA 演算法的數值低。代表在這個具有相關度 的圖像實驗中， RGBCA 演算法有較好的分離效能。

圖 4.23 RGBCA 演算法和 BCA 演算法收斂速度比較