[發明專利]基于隨機森林分類器加權結果的超分辨率合成系統和方法

有效

• 申請號: 201880002925.6
• 申請日: 2018-11-13
• 公開（公告）號: CN109564677B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 王彥;李海良;劉揚;趙文友;雷志斌
• 申請（專利權）人: 香港應用科技研究院有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/50;G06T7/73;G06V40/16;G06V10/764
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 江耀純

1.一種從低分辨率圖像合成高分辨率圖像的方法，該方法包括：

從低分辨率圖像生成多個低分辨率圖像塊；

將所述多個低分辨率圖像塊中的每個低分辨率圖像塊從低分辨率圖像上采樣到相應高分辨率圖像塊的尺寸；

從多個上采樣的低分辨率圖像塊中的每個上采樣的低分辨率圖像塊中提取一個特征向量，以生成特征向量集；

將所述特征向量集之中的每個特征向量應用于一個相應的隨機森林分類器，并為每個特征向量，從與其對應的隨機森林分類器投票中的每棵決策樹獲得一個類別投票；

為每個特征向量獲得每棵決策樹的每個投票類別的投影矩陣，以生成每個特征向量的投影矩陣集，其中相應特征向量的該投影矩陣集之中的每個投影矩陣對應一棵決策樹的一個類別投票；

組合每個投影矩陣集內的投影矩陣，以產生每個特征向量的總投影矩陣，其中所述組合包括：基于每個投影矩陣集內的投影矩陣，計算每個投影矩陣集的加權平均值；

基于每個特征向量的總投影矩陣，計算每個特征向量的高分辨率圖像塊；

集成所述特征向量集的每個特征向量的高分辨率圖像塊，以生成合成的高分辨率圖像。

2.根據權利要求1所述的方法，其中所述每個低分辨率圖像塊以所述低分辨率圖像的不同面部關鍵點為中心。

3.根據權利要求1所述的方法，其中根據以下計算所述加權平均值：

其中P_G是所述總投影矩陣，N_tree是所述隨機森林分類器中的決策樹的數量，N_class是所述隨機森林分類器輸出域中的類別的數量，i是所述隨機森林分類器輸出域中的類別的索引，C_i是所述投票類別，是投票類別C_i的投影矩陣，N_Ci是投票給C_i類別的決策樹的數量。

4.根據權利要求3所述的方法，還包括：在將特征向量應用于相應的隨機森林分類器之前，將所述特征向量集之中的每個特征向量應用于一個訓練好的主成分分析(PCA)模型，為每個特征向量生成一個降維的特征向量，其中所述降維的特征向量是已降低了維度的特征向量。

5.根據權利要求4所述的方法，其中“基于每個特征向量的總投影矩陣，計算每個特征向量的高分辨率圖像塊”包括：根據以下公式計算所述高分辨率圖像塊

x＝P_G·F′_y

其中F_y'是所述降維的特征向量，P_G是所述總投影矩陣，x是所述降維的特征向量F_y'的高分辨率圖像塊。

6.根據權利要求1所述的方法，還包括：標準化所述合成的高分辨率圖像的尺寸，其中所述標準化包括：調整所述合成的高分辨率圖像的尺寸，使得所述合成的高分辨率圖像中的兩個特定點之間的距離具有一個預定值。

7.根據權利要求1所述的方法，還包括：訓練所述隨機森林分類器，其中所述訓練包括：

獲得高分辨率圖像的訓練集；

對所述高分辨率圖像的訓練集之中的每個高分辨率圖像進行下采樣，以生成用于訓練的低分辨率圖像集；

為所述用于訓練的低分辨率圖像集之中的每個低分辨率圖像，生成低分辨率訓練圖像塊集，每個低分辨率圖像的所述低分辨率訓練圖像塊集之中的每個低分辨率訓練圖像塊是以所述低分辨率訓練圖像的不同面部關鍵點為中心的；

從每個低分辨率圖像的所述低分辨率訓練圖像塊集之中的每個低分辨率訓練圖像塊中提取一個特征向量，以產生與所述訓練的低分辨率圖像集之中的每個低分辨率圖像對應的特征向量集；

將與所述用于訓練的低分辨率圖像集之中的每個低分辨率圖像對應的所述特征向量集，應用于所述隨機森林分類器，以訓練所述決策樹，其中訓練好的決策樹經配置后將過對輸入的特征向量進行類別投票，從而對所述輸入特征向量進行分類。