Trƣớc tiên thuật toán tiến hành thực nghiệm trên các ảnh đã chập với một kernel mờ đã biết và thuật toán thêm nhiễu vào theo một cách thức định sẵn. Điều này cho phép thuật toán có báo cáo giá trị định lƣợng kèm theo kết quả trực quan.
So sánh với phƣơng pháp của Tai và Lin[19]: Phƣơng pháp của Tai và Lin[19] là nghiên cứu liên quan nhiều nhất tới nghiên cứu của thuật toán vì nó cũng xử lý ảnh nhiễu. Phần này tập trung vào việc so sánh phƣơng pháp này với phƣơng pháp của thuật toán. Trƣớc hết thuật toán thực hiện so sánh trên các ảnh tổng hợp, trong đó ảnh nét ngầm bị làm mờ sử dụng 2 kernel mờ đƣợc cung cấp bởi Levin và cộng sự. Sau
Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn
đó thuật toán thêm nhiễu Gaussian với trung bình 0 và phân phối chuẩn 0.05 và 0.1 với phạm vi mật độ [0,1]. Tai và Lin[19] đã cung cấp các kết quả của phƣơng pháp của họ. Việc so sánh chỉ ra rằng về mặt trực quan các kernel mờ đƣợc ƣớc lƣợng của thuật toán gần với nền thực hơn, và ảnh ngầm đƣợc ƣớc lƣợng của thuật toán gồm nhiều chi tiết hơn, có ít vật nhiễu hơn. Thuật toán cũng đánh giá kết quả về định lƣợng bằng cách tính tỉ lệ tín hiệu tới nhiễu đỉnh (PSNR) và SSIM.
Thuật toán cũng tiến thành thực nghiệm để tìm hiểu cách thức nhiễu ảnh hƣởng tới khả năng thực hiện của các phƣơng pháp giải chập mù ảnh hiện đại nhất. Sử dụng ảnh “Aque” và kernel mờ thuật toán tạo ra 10 ảnh đầu vào với nhiễu từ 1% tới 10%. Sau đó thuật toán áp dụng các phƣơng pháp giải chập mù khác nhau cho các ảnh này, và đo đƣờng cong PSNR của từng phƣơng pháp. Độ chính xác của các phƣơng pháp trƣớc đó giảm nhanh chóng khi độ nhiễu tăng lên. Ngƣợc lại phƣơng pháp của thuật toán mạnh hơn, nghĩa là nó hoạt động đáng tin cậy hơn khi có nhiễu, và đạt đƣợc các kết quả thoả mãn thậm chí khi mức độ nhiều ở ảnh đầu vào là cao.