高斯隶属度优化的超分辨率随机森林学习算法

发布时间：2017-07-06 02:17

  本文关键词：高斯隶属度优化的超分辨率随机森林学习算法

  更多相关文章： 随机森林学习 单图像超分辨率 决策函数 高斯隶属度函数 经验冒险

【摘要】：随机森林学习算法是一种有效的单图像超分辨率方法,然而其决策函数是确定的二值函数,这对某些图像块的确定性划分并不是最优的选择。为提升单图像超分辨率性能,采用高斯隶属度函数构建随机森林各决策节点的决策函数,将决策函数的输出值由0和1的确定值转换到0~1之间的概率值,并在叶节点上依据数据划分路径上各决策节点概率的乘积进行预测,依据最小经验冒险准则学习决策参数,使随机森林能更好学习不同的样本数据。实验结果表明,与随机森林学习等目前主流单图像超分辨率方法相比,该方法可以提升超分辨率图像的峰值信噪比,同时运算效率与传统随机森林学习算法相当。
【作者单位】： 江西环境工程职业学院通讯与信息学院;江西理工大学信息工程学院;
【关键词】： 随机森林学习 单图像超分辨率 决策函数 高斯隶属度函数 经验冒险
【基金】：江西省教育厅青年科学基金项目(No.GJJ14455)
【分类号】：TP391.41;TP181
【正文快照】： 1引言为了提高图像或者图像序列的分辨率,常使用超分辨率(Super Resolution,SR)技术,该技术可以克服低端采集设备的分辨率限制,是计算机视觉领域的热门研究课题[1]。依据图像源的数量不同,可以将SR技术分为多图像超分辨率和单图像超分辨率(Single Image SuperResolution,SISR)

【相似文献】

中国期刊全文数据库 前10条

1 刘足华;熊惠霖;;基于随机森林的目标检测与定位[J];计算机工程;2012年13期

2 董师师;黄哲学;;随机森林理论浅析[J];集成技术;2013年01期

3 陈姝;彭小宁;;基于粒子滤波和在线随机森林分类的目标跟踪[J];江苏大学学报(自然科学版);2014年02期

4 王丽婷;丁晓青;方驰;;基于随机森林的人脸关键点精确定位方法[J];清华大学学报(自然科学版);2009年04期

5 李建更;高志坤;;随机森林针对小样本数据类权重设置[J];计算机工程与应用;2009年26期

6 吴华芹;;基于训练集划分的随机森林算法[J];科技通报;2013年10期

7 程光;王贵锦;何礼;林行刚;;人体姿势估计中随机森林训练算法的并行化[J];计算机应用研究;2014年05期

8 于延;王建华;;基于云计算平台的随机森林算法的研究与实现[J];科技通报;2013年04期

9 刘永春;宋弘;;基于随机森林的乳腺肿瘤诊断研究[J];电视技术;2014年15期

10 杨帆;林琛;周绮凤;符长虹;罗林开;;基于随机森林的潜在k近邻算法及其在基因表达数据分类中的应用[J];系统工程理论与实践;2012年04期

中国重要会议论文全文数据库 前2条

1 谢程利;王金桥;卢汉清;;核森林及其在目标检测中的应用[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

2 武晓岩;方庆伟;;基因表达数据分析的随机森林方法及算法改进[A];黑龙江省第十次统计科学讨论会论文集[C];2008年

中国硕士学位论文全文数据库 前10条

1 贺捷;随机森林在文本分类中的应用[D];华南理工大学;2015年

2 张文婷;交通环境下基于改进霍夫森林的目标检测与跟踪[D];华南理工大学;2015年

3 王宇恒;推荐系统中随机森林算法的优化与应用[D];浙江大学;2016年

4 张玉桃;旅客社会网络中的家庭出行预测及其行为特征分析[D];北京交通大学;2016年

5 张兴;基于Spark大数据平台的火电厂节能分析[D];太原理工大学;2016年

6 杨丽;音频场景分析与识别方法研究[D];南京大学;2013年

7 鲁奉军;基于随机森林算法的目标检测与动作识别方法研究[D];吉林大学;2016年

8 吴敏;融合多特征的产品垃圾评论识别[D];福州大学;2012年

9 钟龙申;随机森林算法处理不平衡数据的改进及其并行化[D];广东工业大学;2016年

10 胡太祥;大规模图像标注方法研究[D];华中科技大学;2014年

，

本文编号：524422