本文關(guān)鍵詞： 超分辨率重建 隨機(jī)森林 決策樹 增強(qiáng)預(yù)測 層級學(xué)習(xí)　出處：《中國地質(zhì)大學(xué)(北京)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著信息化時(shí)代的到來,圖像作為信息的載體因其生動形象直觀便捷的優(yōu)點(diǎn)越來越凸顯其重要性,而更高分辨率的圖像往往能提供豐富的細(xì)節(jié),具備更高的應(yīng)用價(jià)值�，F(xiàn)實(shí)中,數(shù)字成像系統(tǒng)獲取的圖像分辨率較低。在這種背景下,圖像超分辨率重建的概念應(yīng)運(yùn)而生,它的目標(biāo)是從模糊退化的低分辨率圖像重建出清晰的高分辨率圖像。目前超分辨率重建算法已被廣泛地應(yīng)用于安防、醫(yī)學(xué)、視頻和遙感等領(lǐng)域。本文首先探討圖像超分辨率重建的相關(guān)理論和技術(shù)基礎(chǔ),以及國內(nèi)外在該領(lǐng)域的研究成果,重點(diǎn)敘述了基于學(xué)習(xí)的超分辨率重建算法。本文的主要工作分為以下4點(diǎn):(1)基于隨機(jī)森林的圖像超分辨率重建算法:在訓(xùn)練階段,采用外部訓(xùn)練數(shù)據(jù)訓(xùn)練含有多棵決策樹的隨機(jī)森林,在決策樹的葉子節(jié)點(diǎn)學(xué)習(xí)高低分辨率圖像塊之間的映射關(guān)系,即回歸模型;圖像重建時(shí),尋找輸入圖像塊對應(yīng)葉子節(jié)點(diǎn)的回歸模型預(yù)測高分辨率圖像塊,綜合多棵樹的預(yù)測結(jié)果重建高分辨率圖像。(2)增加訓(xùn)練數(shù)據(jù)的方法提高重建圖像質(zhì)量:我們通過適當(dāng)增加開源的圖像數(shù)據(jù)集來擴(kuò)展訓(xùn)練數(shù)據(jù),比較增加訓(xùn)練數(shù)據(jù)前后重建圖像的質(zhì)量。(3)增強(qiáng)預(yù)測的方法提高重建圖像質(zhì)量:通過不同的旋轉(zhuǎn)角度以及對應(yīng)的翻轉(zhuǎn)變換得到8張低分辨率圖像,對每一張圖像進(jìn)行超分辨率重建,然后逆轉(zhuǎn)圖像的變換,平均8張圖像的重建結(jié)果作為最后的高分辨率圖像。(4)層級學(xué)習(xí)的方法提高重建圖像質(zhì)量:隨機(jī)森林中決策樹之間不再相互獨(dú)立,而是一個(gè)層級的關(guān)系。每一層決策樹預(yù)測的高分辨圖像塊會進(jìn)入下一層決策樹繼續(xù)預(yù)測,層級推動預(yù)測的高分辨率圖像塊接近真實(shí)的高分辨率圖像塊。大量實(shí)驗(yàn)結(jié)果表明本文方法在圖像重建質(zhì)量和重建效率上都有較好的表現(xiàn)。
[Abstract]:With the arrival of the information age, the image as the carrier of information has become more and more important because of its vivid image, intuitive and convenient, and the higher resolution image can often provide rich details, and has higher application value. The image resolution obtained by digital imaging system is relatively low. In this context, the concept of super-resolution image reconstruction emerges as the times require. Its goal is to reconstruct clear high-resolution images from degraded low-resolution images. At present, super-resolution reconstruction algorithms have been widely used in security, medicine, In this paper, we first discuss the theoretical and technical basis of super-resolution image reconstruction, as well as the domestic and foreign research results in this field. The main work of this paper is divided into the following 4 points: 1) Image super-resolution reconstruction algorithm based on random forest: in the training stage, Using the external training data to train the random forest with multiple decision trees, learning the mapping relationship between high and low resolution image blocks at the leaf node of the decision tree, that is, regression model, when the image is reconstructed, The regression model of finding the input image block corresponding to the leaf node is used to predict the high resolution image block. Combining the prediction results of multiple trees to reconstruct high-resolution images. 2) improving the quality of reconstructed images by adding training data: we extend the training data by appropriately adding open source image data sets. Comparing the quality of reconstructed images before and after the increase of training data to improve the quality of reconstructed images: eight low-resolution images were obtained by different rotation angles and corresponding flipping transformations. The super-resolution reconstruction of each image, and then the reversal of the transformation of the image, The reconstruction results of an average of 8 images are used as the final high-resolution image. 4) level learning method to improve the quality of reconstructed images: decision trees in random forests are no longer independent of each other. It's a hierarchical relationship. Each layer of decision tree predicts a high-resolution image block that goes into the next layer of the decision tree and continues to predict. A large number of experimental results show that the proposed method performs well in image reconstruction quality and efficiency.
【學(xué)位授予單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李建更;高志坤;;隨機(jī)森林:一種重要的腫瘤特征基因選擇法[J];生物物理學(xué)報(bào);2009年01期

2 劉足華;熊惠霖;;基于隨機(jī)森林的目標(biāo)檢測與定位[J];計(jì)算機(jī)工程;2012年13期

3 董師師;黃哲學(xué);;隨機(jī)森林理論淺析[J];集成技術(shù);2013年01期

4 王象剛;;基于K均值隨機(jī)森林快速算法及入侵檢測中的應(yīng)用[J];科技通報(bào);2013年08期

5 陳姝;彭小寧;;基于粒子濾波和在線隨機(jī)森林分類的目標(biāo)跟蹤[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

6 羅知林;陳挺;蔡皖東;;一個(gè)基于隨機(jī)森林的微博轉(zhuǎn)發(fā)預(yù)測算法[J];計(jì)算機(jī)科學(xué);2014年04期

7 王麗婷;丁曉青;方馳;;基于隨機(jī)森林的人臉關(guān)鍵點(diǎn)精確定位方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

8 李建更;高志坤;;隨機(jī)森林針對小樣本數(shù)據(jù)類權(quán)重設(shè)置[J];計(jì)算機(jī)工程與應(yīng)用;2009年26期

9 張建;武東英;劉慧生;;基于隨機(jī)森林的流量分類方法[J];信息工程大學(xué)學(xué)報(bào);2012年05期

10 吳華芹;;基于訓(xùn)練集劃分的隨機(jī)森林算法[J];科技通報(bào);2013年10期

相關(guān)會議論文 前10條

1 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測中的應(yīng)用[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達(dá)數(shù)據(jù)分析的隨機(jī)森林方法及算法改進(jìn)[A];黑龍江省第十次統(tǒng)計(jì)科學(xué)討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機(jī)森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學(xué)會第29屆學(xué)術(shù)年會摘要集——第19分會：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉�(gòu)效關(guān)系研究[A];第十一屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機(jī)森林回歸分析方法及在代謝組學(xué)中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機(jī)森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應(yīng)用[A];第八屆全國轉(zhuǎn)子動力學(xué)學(xué)術(shù)討論會論文集[C];2008年

7 胡永勝;;重建算法對低劑量肺部CT掃描圖像質(zhì)量和診斷的影響[A];2010中華醫(yī)學(xué)會影像技術(shù)分會第十八次全國學(xué)術(shù)大會論文集[C];2010年

8 宋e，

本文編號：1496158