多尺度梯度残差去马赛克算法研究

沙特国王大学学报多尺度梯度残差去马赛克M.S. Safna Asiqa，W.R.萨姆·伊曼纽尔b印度泰米尔纳德邦Thirunelveli Manonmaniam Sundaranar大学附属Nesamony纪念基督教学院计算机科学系研究学者b同样。教授P.G.部门印度泰米尔纳德邦Thirunelveli Manonmaniam Sundaranar大学附属Nesamony纪念基督教学院计算机科学阿提奇莱因福奥文章历史记录：2017年12月22日收到2018年2月5日修订2018年2月28日接受2018年3月1日在线发布保留字：Bayer彩色滤光片阵列多尺度梯度A B S T R A C T通过单传感器摄像头进行的图像采集仅捕获图像数据的一小部分，称为原始图像。它使用滤色器阵列在每个像素位置仅采集单个颜色通道将所谓的原始图像重建为全色图像被称为去马赛克或插值。去马赛克是成像流水线中的重要过程它意味着从单传感器数码相机获得的不完整图像中重建本文提出了一种多尺度梯度算法与残差去马赛克相结合的新方法。第一阶段利用不同尺度下的梯度，并且残差去马赛克（RD）涉及在第二阶段中减去残差区域中的实际和临时像素值。实验结果表明，该算法在Kodak和McMaster（McM）数据集上的去马赛克效果优于传统的去马赛克算法©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍由单传感器相机捕获的图像使用彩色滤光片阵列（CFA）。最常用的滤色器阵列是拜耳滤色器阵列。在图1中，Bayer（1976）报告了具有亮度和色度像素值的组合的彩色成像阵列。拜耳CFA由交替行的绿-红和蓝-绿组成，由于人类视觉系统（HVS）对绿色光谱具有高它仅捕获每个像素位置中的红色、绿色或蓝色像素值。在每个像素位置中恢复丢失的两个颜色通道称为去马赛克或插值。通过插入绿色通道，然后插入红色和蓝色通道来启动去马赛克过程。有几个研究工作，强调去马赛克算法，使用拜耳CFA和其他CFA模式。去马赛克是基于图像像素之间的空间和光谱重叠。Buades等人（2009年）* 通讯作者：印度泰米尔纳德邦Thirunelveli Manonmaniam Sundaranar大学附属Nesamony纪念基督教学院计算机科学系研究学者。电子邮件地址：safnabenms@gmail.com（M.S. Safna Asiq）。沙特国王大学负责同行审查制作和主办：Elsevier通过非局部估计的谱相关性得到图像像素值的自相似性。Chung和Chan（2006）在边缘定向插值中利用了沿边缘方向的色差的方差。Chung等人（2008）已经基于区域自适应地估计了梯度，并且使用边缘检测来增强去马赛克性能，基于空间和谱分解直接从马赛克图像中提取边缘梯度或边缘信息。Duran和Buades（2014）已经对图像像素值的自相似性和谱相关性引入了非局部滤波，以减少色度不平衡。Gunturk等人（2005）将去马赛克分为三组启发式，恢复问题和使用谱滤波的泛化。He等人（2013年）介绍了一种引导滤波器，它作为平滑算子对引导图像的内容进行滤波。Horé和Ziou（2010）给出了一种边缘检测算法，用于检测马赛克图像中的边缘，以便沿着边缘而不是沿着边缘插入像素。Kang等人（2010）已经基于拜耳色差的空间相关性残差插值是色差插值的一种替代方法。Kiku et al.（2016）已经启动了转型色差去马赛克与残余去马赛克的关系，其中残余去马赛克是观察到的像素值与试验像素值之间的差。Kiku等人，（2014）已经降低了残差插值中的拉普拉斯值，该值用于平滑图像以提高去马赛克过程的性能。 Kiku等人（ 2013）引发了https://doi.org/10.1016/j.jksuci.2018.02.0141319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University341.ð Þ ðÞDifHorHora;bHorGra;bHor1-Gra;bHor 1-Gra;bHor 1×Rda;b2Rda;b-Rda;b- 2Rda;b（c）DifVera;bGra1;b-Gra- 1;b-Rda 2;b-Rda- 2;b第3条：。ð2Þ.- 我知道3号。与传统的去马赛克算法在第3节和第4节结束的文件。2. 算法背景2.1. 多尺度梯度Pekkucuksen和Altunbasak（2013）通过多尺度投影（PSG）去马赛克替换了传统的色差梯度去马赛克。在色差梯度估计中，目标像素是两个像素远，而在多尺度梯度估计中，颜色通道之间的差是在距离目标像素一个像素远的半个尺度处取得的，如等式（1）所示（一）.Fig. 1. 拜耳彩色滤光片阵列。.二、基于梯度的无阈值算法进残差演示，差异版本a b-104Gra1;b-Gra- 1;b联合插值与联合逆梯度权重插值相结合。Li et al.（2017）使用具有阈值的权重的频率分布来减少边缘处产生的伪影。Lu等人（2010年）描述了一种使用交替投影的快速一步实现方法，该方法具有高复杂性，但性能令人满意。Monno等人（2015）自适应地选择迭代次数，在每个像素位置应用两个残差插值算法。Ousguine等人，（2016）示出了拉普拉斯值检测插值过程的边缘方向。梯度是提取方向数据的有效特征，Pekkucuksen和Altunbasak（2013）描述了Bayer和Lukac滤色器阵列中的非迭代无阈值算法。Pekkucuksen和Altunbasak（2010）实现了一种基于梯度的无阈值算法，以自适应地组合方向估计。Wu等人（2016）在多项式插值中预测了误差并计算了按色差分类的边缘。Ye和Ma（2015）说明了迭代残差插值算法。Zhang等人（2016）演示了像素间色度捕获和最佳去马赛克变换，以跳过每个像素位置的亮度分量。Zhang等人（2009）说明了弱相关或无相关以及支持向量回归以克服错误区域。Rd4ð1Þ其中，DifHor a;b和DifVer a;b指示在半个尺度处的水平和垂直色差估计，Gr和Rd指示绿色和红色通道。该过程使用最接近的样本，因为在小尺度上利用局部颜色动态获得良好分辨率的图像。Rd（a，b）在等式中抵消。（1）在这个比例下，留下两倍比例的绿色和红色梯度，并通过操作数之间的距离进一步归一化。颜色通道的方向相对于彼此改变水平和垂直方向估计与在更局部水平捕获的颜色动态相结合，而无需通过简单平均进行恢复。多尺度梯度在局部性变弱的地方添加额外的尺度，因此较大的尺度对结果的贡献较小归一化项在分母中处理，这是优化的明显方式。针对红色和绿色行和列示出了水平和垂直的优化的多尺度梯度方程。DifHorHora; b. Gra;b1-Gra;b- 1-Rda;b 2-Rda;b- 2Zhang et al.（2005）提出了一种方向LMSSE插值方法。2编号1用于最佳方向滤波的主差分信号（PDS）一般来说，去马赛克有以下应用前景：它减少了传统传感器的使用，用于记录低成本的数字技术，篡改的图像可以被识别，经过取证验证，去马赛克可产生高动态分辨率，Gra;b3-Gra;b- 3Nr2-Rda; b 4-Rda; b-4：..图像分割和分割也可以是有效的通过去马赛克这种新的方法集中在两个阶段的性能和文物第一阶段绿色通道2Gra3;b-Gra- 3;bNr2Rda4;b-Rda- 4;b编号1.用引导的绿色图像在剩余区域内进行插值。残差是从实际估计值中减去临时估计值。Laplacian值大幅降低，以增加图像的平滑度，从而获得更好的去马赛克效果。论文的其余部分如下所示。第2节描述了拟议工作的背景。第2.3节解释了拟议的工作。对实验结果进行了分析其中，Nri是基于图像的大小的变化的像素位置中的归一化值。一个5 - 5块被应用到拟议的工作与目标像素作为中心像素和差异是采取一个像素远离目标像素。对于蓝色和绿色行和列，多尺度梯度方程与上述相同，其中Rd像素值将被B1像素值替换。.þsaking过程。Kim和Jeong（2016）实现了四个方向的剩余，快看。2并且在第二阶段中，-..þ342M.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University222.2. 残差去马赛克在残差去马赛克（RD）之前，首先使用多尺度梯度算法对绿色通道进行插值，然后通过残差去马赛克对红色和蓝色通道进行插值。通过引导上采样从内插的Gr图像导出Rd图像的实用估计，实际值和临时估计值之间的差异称为残差图像。然后，对残差图像进行去马赛克，并将其添加到临时估计图像，以获得去马赛克的红色图像。2.2.1. 引导上采样在引导上采样中，使用引导滤波来生成临时估计（He等人，2013），它保留了边缘并且与关于滤波器的大小的计算时间无关。引导上采样有效地上采样相对于引导绿色图像的provi- sional估计临时图像的像素坐标（i，j）以局部win为中心道琼斯工业公司R^da;b¼Pi;jG^ra;bQi;j;8a;b2xi;j3在第一阶段，残差被去马赛克作为传统色差去马赛克的替代。红色和蓝色通道使用残差去马赛克进行去马赛克。在所提出的工作中，残留去马赛克集成到多尺度梯度算法。2.3.2.绿色通道插值拜耳滤色器阵列由比其他两个颜色通道高浓度的绿色像素值组成。与许多其他去马赛克算法一样，去马赛克过程从绿色通道的插值开始。在这里，多尺度梯度算法用于绿色插值，其中梯度是提供方向数据的有效特征。图3描绘了使用PSG的绿色通道去马赛克。方向估计由作为输入的子采样红色和绿色通道识别，并且方向颜色通道被估计为绿色通道去马赛克的第一步。绿色-在水平和垂直方向上的红色通道方向估计在等式2中示出。（四）、G^rHorHora;bGrHora;b-1G rHora;b1其中Pi;j; Qi;j 是模拟为常数的线性系数。2ωRda;b-Rda;b- 2-Rda;b24红、蓝通道去马赛克采用5× 5窗口第2.3.3节。G^rVera;bGra-1;bGra- 1;b22.3. 拟议工作2.3.1. 纲要Kiku等人（2013年）最初应用残差去马赛克（RD）过程从图像R^dHora;b2ωRda;b-Rda- 2;b-Rda 2;b4Rda;b-1Rda;b122ωGra;b-Gra;b- 2-Gra;b24ð4Þ从拜耳滤色器阵列获得残差去马赛克是残差区域中的实际像素值与临时像素值之间的差异。所提出的方法的基本处理流水线在图中概述。二、在第一阶段中，Gr通道使用色差多尺度分量（PSG）算法进行去马赛克，然后以Gr作为引导图像估计通过引导上采样大幅降低拉普拉斯值，以获得良好的去马赛克性能。在第二R^dVera;bRda-1;bR da1;b2ωGra;b-Gra- 2;b-Gra 2;b4垂直方向水平和垂直方向上的色差估计是通过找到两个真彩色通道Gra;b;Rda;b与两个方向估计Gra;b;Gra;b;Rda;b和Rda ;b之间的差来获得的，图二. 拟议工作的框图。þþþÞ ¼þM.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University343X<ðX和dGr;Rdhda;bWωfωdVerGr;Rd×（c）（c）c<$a-2d<$b- 2HorωdGr;Rda;b-1<$ωa;b<$ωa;b<$1<$ωf2图三.多尺度渐变结构的绿色插值。像素值。在Eq.中的水平和垂直方向区域中的色差（五）8G^rHora;b-Rda;b;atGr^Hora;b局部窗口中两个方向的权重计算，如等式2所示。对于像素值，将（7）评估为（c，d），其中c = a-2且d =b-2dGr;Rd：Grab R^dHorabatRd. Xa2b2！;8Dð Þ ¼;ð5Þ1=W版本¼c<$a-2d<$b- 2b/2DifVerc;dG^rVera;b-R da;b;atGr.！^VerGr;Rda;b：ab级R^d版本abatRd1=W一个2002年¼2XDifHorHorð7Þ其中，^dHor^VerGr;Rd水平和垂直的颜色不同-进一步强化绿色通道，完善演示-颜色估计，并且这些色差估计自适应地在Eq.（六）、通过考虑四个相邻像素值，他们的权力，如他们的权力，如他们的权力。（八）、~^VerGr;Rd^Hora-1;b我^dGr;Rda;b~dGr;Rda;bω1-W½WNω~dGr;Rda-2;bWS~dGr;Rda2;bWEω~dGr;Rda;b2中国不a;b-2ω~dGr;Rd WWCOM 1/4WHorW Ver2016其中，对于5 × 5局部窗口，f1/21=4]，权重在水平和垂直方向上由W表示为W Ver、W Hor 关于W Com 这是恒定的色差假设。W总重量为1/4WNNNWSNWEN WWW总重量表示为WTot。在垂直通道的5 × 3局部窗口上评估权重，因为考虑了北/南方向上的相邻像素值，见图4。 红色/蓝色通道上的残差去马赛克概述。-（c）何=WCom344M.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University×X.XX.XXX考虑局部区域中的目标像素，并且对于水平通道，考虑西/东方向上的像素值相对于局部区域中的相邻像素值，如等式（1）中所解释的。（九）、北（N）、南（S）、东（E）和西（W）四个方向的权重评估及其自身权重为.！2一四个相邻方向的权重评估是基于水平和垂直方向的差异之和。通过将目标像素与最终估计的色差估计相加来实现估计的绿色通道，如等式（1）中所示。（十）、G^ra;bRda;bdGr;Rda;bb/1Ver^^100万WN1/4=c<$a-4d<$b- 1Difc;dGra;bla;bdGr;Bla;b绿色通道通过添加临时路a2004b2001WS1/4=c<$ad<$b-1. Xa1Xb42DifVerc;d！2ð9Þ和B1像素值与组合色差估计的关系，如等式（1）所示。（十）、去马赛克后的绿色图像现在可以用作红色和蓝色通道插值的引导图像WE¼1=c¼a-1d¼bDifHorHor2.3.3. 红色和蓝色通道上的残留去马赛克残差去马赛克是最新已知的去马赛克亲，a100%WW¼1=c<$a-1d<$b- 42DifHorHorcess. 图4展示了红色（Rd）通道的残差去马赛克过程。绿色通道使用PSG算法进行去马赛克，如图1所示。3.第三章。绿色通道图五. 柯达数据集的测试图像。见图6。 McM数据集的测试图像。B！！M.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University345XXX表1柯达数据集的峰值信噪比（PSNR）与传统去马赛克算法的比较图像BIGBTFRIMLRIMSGAPRD-PSG（Prop）126.044036.485233.823034.8436636.85833.2155635.96697231.9830635.211428.927633.050935.55933.0186340.84287333.0185437.785438.488839.371338.37234.4436742.77305432.7429435.470735.656936.1951235.69533.6532240.97679526.4904632.22632.552432.9530132.741430.6764537.20596627.4180037.976636.657836.9980438.264034.9727738.7115732.4671636.026435.753337.000236.446233.6110342.69101823.5575133.454732.1960632.872833.956331.2127034.58671931.7760739.039538.983839.768539.348834.9756642.025731031.6624838.886137.864339.027239.152635.3568042.213091128.9432436.834336.631736.745737.061734.077738.686821232.2198939.224834.325340.381539.266535.275342.890941323.8762134.204332.313732.989334.512832.563132.223691428.7719230.976632.769732.6920331.305429.468937.350401530.7603136.541334.4560437.592336.624333.668639.74031630.5698741.696540.998441.307242.087837.064642.511951731.3796040.240339.716839.970540.62635.597540.606441827.6851234.499434.463734.917434.754932.733135.967321927.6954038.601638.105337.899339.031033.320639.46082030.2368238.406235.068838.701838.755232.557839.94122128.1537637.223435.904336.338737.521833.575837.538062229.9661435.770735.656336.408335.969132.897638.139262334.0621537.087737.096838.396137.711333.296143.107462426.2397334.780134.193634.457735.101831.491134.4477Avg.29.488336.610335.525136.703236.946733.446839.1919表2使用McMaster数据集与传统去马赛克算法的PSNR值比较图像BIGBTFRIMLRIMSGAPRD-PSG（Prop）125.14725.143127.464427.404925.464523.360329.3059228.657532.508633.966933.941032.797730.127735.3379323.993331.201031.648731.880231.574129.002433.8628422.982231.231834.289833.998831.962527.922837.9826528.014328.508331.568931.223628.695227.043434.0930629.915428.790333.416332.874429.005227.412538.6527729.294139.975338.312638.803440.388336.010137.0645828.073536.285035.174335.740636.504333.466837.9663928.204231.162333.170333.059831.524629.037036.60681030.691233.343235.327835.741133.826130.472938.88041132.587634.168736.531837.231134.606531.250140.18541229.076934.989637.742437.563635.266231.206739.79161331.038036.946140.075139.830537.142832.578440.73431432.419636.659938.850738.817137.033333.092039.11401532.286935.922536.728737.847136.357332.716839.20901627.349427.783231.659731.518627.851725.639035.37461728.404525.306128.609828.011625.629624.038632.95461826.254432.588434.628834.494132.844929.612736.5008Avg.28.577232.361834.398134.443432.693029.666136.8676用作引导图像，并且实现红色通道的临时估计。残差图像是的务实和临时像素价值观 作为在第2.2节中解释的残差内插是在具有坐标（i，j）的局部窗口xi;j线性系数是Pi;j;Qi;j，称为增益和鉴别分量。它们被定义为Eq。（11）在Eq中表示。（3）第2.2节。XWi;jPi;jP^i;j¼ i;j2xa;bWa;b2xi;ji;j11Þ见图7。对比现有算法和所提算法的平均PSNR值。Q^i;j¼Wi;jQi;ji;j2xa;bWi;ja;b 2xi;j346M.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud Universitya;ba;b2表3使用柯达数据集比较RMSE值与传统去马赛克算法图像BIGBTFRIMLRIMSGAPRD-PSG（Prop）122.110606.645659.029228.028196.366479.683287.05427211.159577.6953515.86419.868577.393519.905334.0239939.905445.721775.276644.766845.348098.406543.22217410.224777.469027.310596.871397.278439.207463.96242521.0028310.851710.451559.9804510.226512.971136.11649618.875585.597156.514926.264685.41497.909745.14307710.554627.006177.229926.263066.67559.252293.25274829.439149.4202410.8892510.072938.891612.194548.26923911.428714.952494.984374.553824.77927.907113.511671011.579155.040725.669984.95954.88847.567653.436741115.835756.383886.534506.449336.21898.768245.157741210.859414.847988.521814.24354.82477.638933.178731328.378558.6413410.742749.938768.339810.4386610.854661416.1511912.530410.1933210.2848712.06514.905726.015621512.846516.602908.394575.85046.540079.191124.568581613.131283.647333.952553.814533.48666.216793.320501711.962464.313064.580974.449114.125387.360744.135031818.303948.352748.387127.960328.110610.236327.053991918.282295.208585.514875.647184.957329.566794.717982013.644565.327067.822735.148845.1172710.444984.464152117.342556.104177.105326.758745.898089.28985.887052214.076477.215457.311086.704767.0525310.04425.49335238.784026.200296.193835.333305.770769.59383.100472421.617948.087068.652048.39297.7931111.80988.40263Avg.15.72906.827607.7976.77526.56519.60465.1809表4使用McMaster数据集比较RMSE值与传统去马赛克算法图像BIGBTFRIMLRIMSGAPRD-PSG（Prop）124.515124.527018.774918.903923.636030.115015.1880216.365210.50438.88088.907310.160413.81707.5841327.998312.210911.597411.292511.697415.72828.9878431.454912.16768.55678.848211.185917.80975.5933517.623116.648711.704512.179216.294419.70728.7528614.158816.11709.462010.071115.723218.88735.1780715.20884.44665.38475.08894.24017.01936.2168817.50336.80057.72827.24056.63119.40715.6037917.241912.26539.73379.858411.764315.66566.55321012.94909.54197.59297.24009.026013.27865.04401110.40918.67686.61006.09888.250312.14204.34031215.59377.89435.75015.86977.646912.20294.54161312.44226.30224.39584.52146.161110.42024.07461410.61256.51335.06135.08096.23929.82204.91021510.77587.09046.46195.68126.744210.25554.85671619.025218.098211.582711.772517.956123.16597.55211716.849024.071016.455317.628523.190827.85279.97861821.581310.40838.22928.357810.105314.66096.6337Avg.17.350411.90469.10909.1467111.480715.66426.7549线性系数的成本函数由等式（1）确定（12）作为E=Pi;j=XhdR da;b=Pi;jd.吉尔·穆吉a;bxi;jE=Qi;j=XhRda;b=Pi;j=G^rM=Qi;j=G i12Þ见图8。比较现有算法和所提出算法的平均RMSE值。红色和绿色通道的初步估计定义为dM.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University347-a;b2xi;j其中引导绿色通道被M掩蔽。剩余成本的权重被添加到图像。在每个窗口中得到的红色通道（3）第2.2节。水平稀疏拉普拉斯滤波器[ 1 02 0-1]通过引导上采样应用于临时估计。获得完全去马赛克的红色通道的最后阶段是通过组合去马赛克的残差图像和假定的临时估计。完整的残余去马赛克过程对蓝色通道重复，绿色作为引导图像，348M.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University×Gr;RdGr;Rdð Þ ðÞ输入：来自Kodak或McMaster数据集的原始或未经处理的输入图像输出：去马赛克的全彩色图像。1. 用Bayer彩色滤波器阵列2. 分别对三个通道红色Rd（a，b）、绿色Gr（a，b）和蓝色BI（a，b）进行子采样3. 使用色差多尺度梯度算法对具有子采样Rd（a，b）的Gr（a，b）进行去采样。红色和绿色通道的水平和垂直方向估计。水平和垂直方向估计值之间的差值为a;b和^d版本a;b它们被自适应地组合和平滑，并且在四个方向上添加权重。最后，绿色通道通过在等式中添加临时估计而被去马赛克。（十）、4. 去马赛克的绿色通道充当引导，通过引导上采样对红色和蓝色通道进行去马赛克5. 红色和蓝色通道使用残差去马赛克进行去马赛克。对局部窗口的临时估计被用来确定增益分量和鉴别能力分量。每个窗口具有最终输出，其成本函数估计获得去马赛克的红色和蓝色通道。6. 组合去马赛克的三个通道以获得全色图像。3. 实验结果所提出的工作进行了比较，与传统的最先进的算法。我们已经分析了柯达和McM数据集（Wu，2011）的性能数据集的测试图像如图1A和1B所示。5和6.在MatLab R2014a中对测试图像进行了评估的尺寸数据集中的图像为768x512，采用便携式网络图形（.png）格式。McMaster数据集由18个尺寸为500 - 500的标记图像文件（.tiff）格式的图像组成。分析中涉及的常规去马赛克算法是双线性插值（BI）、基于 梯 度 的 无 阈 值 算 法 （ GBTF ） （ Pekkucuksen 和 Altunbasak ，2010）、残差插值（RI）（Kiku等人，2013）、最小化拉普拉斯残差插 值 （ MLRI ） （ Kiku 等 人 ， 2014 ） 、 多 尺 度 投 影 （ MSG ）（Pekkucuksen和Altunbasak，2013）、交替投影（AP）（Lu等人，2010年）。评价方法包括峰值信噪比（PSNR）、均方根误差（ RMSE ） 、 结 构 相 似 性 指 数 （ SSIM ） 和 通 用 图 像 质 量 指 数（UIQI）。PSNR值是原始图像和重建图像之间的差异，并使用RMSE，SSIM和UIQI测试误差度量。分别使用PSNR、RMSE、SSIM和UIQI值来可视化所提出的RD-PSG的有效性传统的去马赛克算法的源代码在作者的网站上是公开的对于Kodak和McMaster数据集，建议的PSNR值相对于常规算法较高两个数据集的平均4.4 db和4.8 db已经超过了传统的去马赛克算法。Kodak和McM数据集的PSNR值的详细分析分别在表1和表2中示出，并在图7中以图形方式示出。与传统的去马赛克算法相比，Kodak和McM数据集的PSNR的总体改善百分比分别增加到4.4%和4.8%。Kodak和McMaster数据集的平均RMSE值为3.7和5.6，并在表3和表4中详细描述，并在图8中以图形表示。误差值的减少百分比分别为3.7%和5.6%，从而导致伪影减少其他性能分析，如结构相似性指数（SSIM）和通用图像质量指数（UIQI）也被用来测试所提出的工作的性能。表5和表6显示了图1中所示的SSIM性能指标。 表7和表8详细描述了现有技术算法和Kodak和McMaster数据集的建议工作的UIQI值，如图9所示。 10个。在Kodak和McMaster两个数据集上，该方法的有效性分别为83.3%和94.4表5SSIM值与使用柯达数据集的传统去马赛克算法的比较图像BIGBTFRIMLRIMSGAPRD-PSG（Prop）10.83770.98500.96990.97640.98630.97010.983420.98520.99340.99010.98970.99410.98900.998530.95730.99140.99190.99210.99170.97340.994940.97050.99020.99120.99100.99070.98270.996650.84860.97610.97360.97570.97860.95820.990860.88990.98600.98210.98360.98640.97430.991670.93410.98890.98880.99020.98980.97640.995980.82230.97600.97020.97270.97760.95900.978590.89820.98130.98250.98230.98150.95840.9879100.89340.98440.98400.98540.98520.96240.9863110.89430.97450.97590.97500.97520.95490.9786120.96140.99290.98870.99360.99320.98520.9951130.85840.98000.97200.97570.98140.96940.9767140.86580.97400.97350.97530.97570.95510.9857150.95560.98690.98570.98690.98760.97670.9877160.84420.98400.98110.98120.98490.95530.9887170.89400.98760.98770.98790.98820.96980.9786180.88960.96910.97020.97190.97020.95750.9720190.89760.98520.98650.98640.98570.95290.9877200.90520.96130.96050.96430.95770.91640.9617210.90080.98500.98340.98460.98580.96790.9866220.90970.97420.97620.97780.97450.94520.9823230.96270.99120.99170.99360.99220.97270.9942240.85030.97120.96960.97950.97960.94120.9790Avg.0.9011170.9820750.9802920.98220.9830750.9635040.985792●●●●●●M.S. Safna Asiq，W.R.Sam Emmanuel/ Journal of King Saud University349表6使用McMaster数据集比较SSIM值与传统去马赛克算法图像BIGBTFRIMLRIMSGAPRD-PSG（Prop）10.93580.94650.96550.96460.94930.92620.969120.93610.96590.97240.97270.96750.94880.973430.83740.96460.96840.96990.96490.92740.972740.81830.96800.97780.97660.96500.90500.983750.92450.94490.96770.96500.94590.91760.972760.91790.90120.95440.94920.90330.87380.968970.83710.97530.96940.97120.97580.95580.944780.87550.95170.95680.95640.95270.93230.955590.95610.97720.98540.98530.97890.96480.98971