基于Random Forest的Python图像缩放优化：生成完整图像

核心思路 #

现有代码仅处理单块图像，要生成完整可识别的图像片段，需通过重叠分块滑动处理+加权拼接解决块间接缝问题，最后对齐尺寸并计算评估指标。以下是具体实现步骤：

1. 重叠分块：分割低分辨率图像 #

为避免拼接后出现明显接缝，采用重叠滑动窗口策略：

• 设定低分辨率块大小（如3x3），对应高分辨率块大小为块尺寸×放大倍数（如放大2倍则为6x6）
• 滑动步长设为块尺寸的1/2，让相邻块重叠50%，后续通过加权融合消除接缝

2. 批量预测所有图像块 #

将分割得到的低分辨率块展平后，输入训练好的Random Forest模型，得到对应高分辨率块的预测结果，同时记录每个块在原图中的位置，方便后续拼接。

3. 加权拼接：消除块间接缝 #

直接拼接会产生接缝，因此对重叠区域采用中心加权策略：块中心区域权重高，边缘区域权重低，叠加后归一化得到平滑的完整图像。

4. 尺寸对齐与指标计算 #

将拼接后的图像裁剪至与原始高分辨率图像一致的尺寸，再用PSNR、SSIM指标进行量化对比。

示例代码（灰度图像场景） #

import numpy as np
from skimage.metrics import peak_signal_noise_ratio, structural_similarity

# 自定义参数
SCALE = 2  # 图像放大倍数
LR_BLOCK_SIZE = 3  # 低分辨率块尺寸
HR_BLOCK_SIZE = LR_BLOCK_SIZE * SCALE
STEP = LR_BLOCK_SIZE // 2  # 滑动步长

def split_lr_blocks(lr_img):
    """分割低分辨率图像为重叠块，记录每个块的位置"""
    blocks = []
    positions = []
    h, w = lr_img.shape[:2]
    # 遍历滑动窗口生成块
    for y in range(0, h - LR_BLOCK_SIZE + 1, STEP):
        for x in range(0, w - LR_BLOCK_SIZE + 1, STEP):
            block = lr_img[y:y+LR_BLOCK_SIZE, x:x+LR_BLOCK_SIZE].flatten()
            blocks.append(block)
            positions.append((y, x))
    return np.array(blocks), positions

def reconstruct_hr_image(predictions, positions, target_shape):
    """加权融合高分辨率块，生成完整图像"""
    hr_img = np.zeros(target_shape, dtype=np.float32)
    weight_map = np.zeros(target_shape, dtype=np.float32)
    hr_step = STEP * SCALE

    # 生成中心加权矩阵（中心权重高，边缘权重低）
    y_weights = np.linspace(0.1, 1.0, HR_BLOCK_SIZE)
    y_weights = np.concatenate([y_weights, y_weights[-2::-1]]) if HR_BLOCK_SIZE % 2 == 0 else np.concatenate([y_weights, y_weights[-2::-1]])
    y_weights = y_weights.reshape(-1, 1)
    x_weights = np.linspace(0.1, 1.0, HR_BLOCK_SIZE)
    x_weights = np.concatenate([x_weights, x_weights[-2::-1]]) if HR_BLOCK_SIZE % 2 == 0 else np.concatenate([x_weights, x_weights[-2::-1]])
    x_weights = x_weights.reshape(1, -1)
    block_weight = y_weights * x_weights

    # 叠加每个预测块到对应位置
    for pred, (y_lr, x_lr) in zip(predictions, positions):
        y_hr = y_lr * SCALE
        x_hr = x_lr * SCALE
        hr_block = pred.reshape(HR_BLOCK_SIZE, HR_BLOCK_SIZE)
        
        hr_img[y_hr:y_hr+HR_BLOCK_SIZE, x_hr:x_hr+HR_BLOCK_SIZE] += hr_block * block_weight
        weight_map[y_hr:y_hr+HR_BLOCK_SIZE, x_hr:x_hr+HR_BLOCK_SIZE] += block_weight

    # 归一化得到最终图像
    hr_img = hr_img / weight_map
    return hr_img.astype(np.uint8)

# 主流程
# 替换为你的实际图像数据
lr_input = ...  # 输入低分辨率图像（单通道灰度图）
hr_ground_truth = ...  # 原始高分辨率图像

# 分块+预测
lr_blocks, block_positions = split_lr_blocks(lr_input)
hr_block_preds = rf_trained_model.predict(lr_blocks)  # rf_trained_model为你训练好的随机森林模型

# 重建完整高分辨率图像
predicted_hr = reconstruct_hr_image(hr_block_preds, block_positions, hr_ground_truth.shape)

# 裁剪至目标尺寸（处理边界溢出问题）
predicted_hr = predicted_hr[:hr_ground_truth.shape[0], :hr_ground_truth.shape[1]]

# 计算评估指标
psnr = peak_signal_noise_ratio(hr_ground_truth, predicted_hr)
ssim = structural_similarity(hr_ground_truth, predicted_hr, data_range=255)

print(f"PSNR: {psnr:.2f} dB")
print(f"SSIM: {ssim:.4f}")

彩色图像适配方法 #

如果处理RGB彩色图像，只需对每个通道单独执行分块、预测、拼接操作，最后合并三个通道即可：

# 彩色图像处理示例
predicted_hr_rgb = np.zeros_like(hr_ground_truth)
for channel in range(3):
    lr_channel = lr_input[..., channel]
    lr_blocks, positions = split_lr_blocks(lr_channel)
    hr_preds = rf_trained_model.predict(lr_blocks)
    predicted_hr_rgb[..., channel] = reconstruct_hr_image(hr_preds, positions, hr_ground_truth.shape[:2])

关键优化提示 #

• 块尺寸调整：若预测结果细节不足，可尝试增大低分辨率块尺寸（如5x5），但会增加计算量
• 步长选择：步长越小，重叠区域越大，接缝越不明显，但预测速度越慢，需根据需求平衡
• 模型优化：若拼接后图像仍模糊，可增加训练样本数量，或调整Random Forest的树数量、深度等超参数

内容的提问来源于stack exchange，提问作者Resa