基于加权随机森林的图像超分辨率算法研究
CSTR:
作者:
作者单位:

(1. 东北大学机器人科学与工程学院,沈阳110004;2. 东北大学信息科学与工程学院,沈阳110004;3. 辽宁石油化工大学计算机与通信工程学院,辽宁抚顺113001)

作者简介:

通讯作者:

E-mail: luziwei530@126.com.

中图分类号:

TP391

基金项目:

国家自然科学基金项目(61701101,61603080,U1713216);国家重点机器人工程项目(2017YFB1300900);中央高校基本科研业务费专项资金项目(N172603001,N172604004).


Image super resolution reconstruction algorithm based on weighted random forest
Author:
Affiliation:

(1. Faculty of Robot Science and Engineering,Northeastern University,Shenyang110004,China;2. College of Information Science and Engineering,Northeastern University,Shenyang110004,China;3. College of Computer and Communication Engineering,Liaoning Shihua University,Fushun113001,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对目前图像超分辨率重建效果欠佳的问题,提出一种基于加权随机森林的图像超分辨率重建算法.利用随机森林对图像块的特征进行聚类,并引入岭回归模型建立每类叶子结点中高、低分辨率图像块的映射关系,重建时根据测试低分辨率图像块所属的类别以及在每类叶子结点中的K近邻近似拟合误差,进行加权预测获得高分辨率图像块.将图像的非局部自相似性与迭代反投影算法相结合对预测的高分辨率图像进行后处理以提高重建质量.实验结果表明,所提出算法可以有效提高峰值信噪比,具有较好的可视效果.

    Abstract:

    In order to solve the practical problem of unsatisfactory restored results, an image super resolution reconstruction algorithm via weighted random forest is proposed. Firstly, features of image patches are clustered by the random forest, and ridge regression is introduced to build the mapping between low and high resolution patches for each type of the leaf note. Then high resolution image patch is obtained by weighted prediction based on the cluster which the test low resolution sample belongs to and the K near neighbor approximate fitting error. Finally, the non-local similarity and IBP(Iterative back projection) are utilized to improve the quality of image reconstruction. Experimental results show that the proposed method effectively improves peak signal to noise ratio and acquires better visual effects in reconstructed image.

    参考文献
    相似文献
    引证文献
引用本文

吴成东,卢紫微,于晓升.基于加权随机森林的图像超分辨率算法研究[J].控制与决策,2019,34(10):2243-2248

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2019-09-29
  • 出版日期:
文章二维码