[发明专利]基于随机森林分类器加权结果的超分辨率合成系统和方法

权利要求书

1.一种从低分辨率图像合成高分辨率图像的方法，该方法包括：

从低分辨率图像生成多个低分辨率图像块；

将所述多个低分辨率图像块中的每个低分辨率图像块从低分辨率图像上采样到相应高分辨率图像块的尺寸；

从多个上采样的低分辨率图像块中的每个上采样的低分辨率图像块中提取一个特征向量，以生成特征向量集；

将所述特征向量集之中的每个特征向量应用于一个相应的随机森林分类器，并为每个特征向量，从与其对应的随机森林分类器投票中的每棵决策树获得一个类别投票；

为每个特征向量获得每棵决策树的每个投票类别的投影矩阵，以生成每个特征向量的投影矩阵集，其中相应特征向量的该投影矩阵集之中的每个投影矩阵对应一棵决策树的一个类别投票；

组合每个投影矩阵集内的投影矩阵，以产生每个特征向量的总投影矩阵，其中所述组合包括：基于每个投影矩阵集内的投影矩阵，计算每个投影矩阵集的加权平均值；

基于每个特征向量的总投影矩阵，计算每个特征向量的高分辨率图像块；

集成所述特征向量集的每个特征向量的高分辨率图像块，以生成合成的高分辨率图像。

2.根据权利要求1所述的方法，其中所述每个低分辨率图像块以所述低分辨率图像的不同面部关键点为中心。

3.根据权利要求1所述的方法，其中根据以下计算所述加权平均值：

其中P_G是所述总投影矩阵，N_tree是所述随机森林分类器中的决策树的数量，N_class是所述随机森林分类器输出域中的类别的数量，i是所述随机森林分类器输出域中的类别的索引，C_i是所述投票类别，是投票类别C_i的投影矩阵，N_Ci是投票给C_i类别的决策树的数量。

4.根据权利要求3所述的方法，还包括：在将特征向量应用于相应的随机森林分类器之前，将所述特征向量集之中的每个特征向量应用于一个训练好的主成分分析(PCA)模型，为每个特征向量生成一个降维的特征向量，其中所述降维的特征向量是已降低了维度的特征向量。

5.根据权利要求4所述的方法，其中“基于每个特征向量的总投影矩阵，计算每个特征向量的高分辨率图像块”包括：根据以下公式计算所述高分辨率图像块

x＝P_G·F′_y

其中F_y'是所述降维的特征向量，P_G是所述总投影矩阵，x是所述降维的特征向量F_y'的高分辨率图像块。

6.根据权利要求1所述的方法，还包括：标准化所述合成的高分辨率图像的尺寸，其中所述标准化包括：调整所述合成的高分辨率图像的尺寸，使得所述合成的高分辨率图像中的两个特定点之间的距离具有一个预定值。

7.根据权利要求1所述的方法，还包括：训练所述随机森林分类器，其中所述训练包括：

获得高分辨率图像的训练集；

对所述高分辨率图像的训练集之中的每个高分辨率图像进行下采样，以生成用于训练的低分辨率图像集；

为所述用于训练的低分辨率图像集之中的每个低分辨率图像，生成低分辨率训练图像块集，每个低分辨率图像的所述低分辨率训练图像块集之中的每个低分辨率训练图像块是以所述低分辨率训练图像的不同面部关键点为中心的；

从每个低分辨率图像的所述低分辨率训练图像块集之中的每个低分辨率训练图像块中提取一个特征向量，以产生与所述训练的低分辨率图像集之中的每个低分辨率图像对应的特征向量集；

将与所述用于训练的低分辨率图像集之中的每个低分辨率图像对应的所述特征向量集，应用于所述随机森林分类器，以训练所述决策树，其中训练好的决策树经配置后将过对输入的特征向量进行类别投票，从而对所述输入特征向量进行分类。