【OpenCV】第十一章: 图像金字塔

第十一章: 图像金字塔

一、什么是图像金字塔

同一张图片不同分辨率的子图的集合。

图像金字塔底部是待处理的高分辨率图像,也就是原始图像,顶部是低分辨率的近似图像。一般情况下,都是每向上移动一级,图像的宽和高都降低为原来的1/2 。

二、为什么要生成图像金字塔,图像金字塔能干啥?

  • 1、我们可以提取更'有用'的特征。如果一张图片是1024x1024大小的,那么它就有100万多个像素点,如果我们把图片的原始数据喂入神经网络模型,光输入的神经元数量都要100多万个,计算资源会迅速崩掉。图像金字塔是对图像尺寸进行的处理,这样有利于我们提取最'有用'的特征,或者说进行降维操作。
  • 2、可以避免模型过拟合。在某些图像处理的算法中,图像金字塔这种的多分辨率运算可以避免陷入局部点,增强模型鲁棒性。
  • 3、图像金字塔底层是清晰的原始图像,越往上图像越模糊,因此我们可以通俗的理解:在底层可以看清楚更多的图像细节,在高层只可以看到轮廓。所以,在目标检测领域,图像中的物体通常很可能是远近不一,大小不一的,此时我们就可以利用金字塔来检测不同尺度下的物体。这种方法要比使用不同大小的sliding window在原图上做检测节省太多的算力!并且效果也要好很多!
  • 4、对一张图像构建不同的尺度空间,这种操作在目标检测中非常有用,比如最简单的Viola的人脸检测器就是用的这个技术。
  • 5、图像金字塔从另外一个角度理解就是:它将原图像分别分解到不同的空间频带上,所以可以用在多分辨率融合算法中,融合过程是在各空间频率层上分别进行的,这样就可以针对不同分解层的不同频带上的特征与细节,采用不同的融合算子以达到突出特定频带上特征与细节的目的。也就是有可能将来自不同图像的特征与细节融合在一起。
  • 6、图像金字塔用的最多的就是用在SIFT算法中,在SIFT提取的时候,因为template上的局部特征跟目标图像上的实际特征可能存在尺度上的差异,使用尺度空间是为了达到尺度不变性
  • 7、在ORB的改进算法中也可以运用图像金字塔解决尺度不变换特性。
  • 8、SURF算法中也用到了图像金字塔的思想。

    小结:要找原因,原因很多,也说明图像金字塔应用很广泛,是一个基础理论和技术。其实在计算机视觉里,很多看似直观且简单的东西往往有层出不穷用法,除了本章的金字塔,还有比如直方图,比如二值化,比如卷积,比如积分图,比如距离变换……等等。虽然都不是什么高级的难以理解的东西,但一旦用到巧处,就非常耐人寻味!

三、理论基础:下采样、上采样、滤波器

  • 下采样:自下而上生成一个图像金字塔,最下面一般就是原图,依次往上的图片尺寸减半。
  • 上采样:自上而下生成一个图像金字塔,最上面一般是一个尺寸较小的特征图,依次往下的图片尺寸变为原来的二倍。

如果我们通过下采样生成一个金字塔,最简单的做法就是:不断地删除图像的偶数行和偶数列,重复这个过程,就得到一个金字塔。
如果我们通过上采样生成一个金字塔,最简单的就是:在每列像素点的右边插入值为0的列,在每行像素点下面插入值为0的行,不断重复,就生成一个金字塔了。
小结:
1、下采样是图像不断变小的过程,上采样是图像不断变大的过程。
2、一个图像下采样一次,在执行一次上采样,虽然尺寸恢复到原图像的尺寸,但像素值已经改变!!!也就是这两种操作是不可逆的。

  • 滤波器
    为什么要用滤波器?
    我们下采样生成金字塔图像时,是直接删除偶数行偶数列的操作,但这种操作意味着直接丢弃图像中的信息!为了减轻图像信息的丢失,我们在下采样操作之前先用滤波器对原始图像滤波操作一遍,这样滤波后的图像就是原始图像的近似图像,此时我们在删偶数行偶数列,就没有直接的信息损失了。而对原始图像进行滤波操作有很多方法,比如我们可以用邻域滤波器进行操作,这样生成的图像就是平均金字塔。如果我们用高斯滤波器处理,我们就生成的是高斯金字塔 。
    同理,当我们上采样生成图像金字塔时,我们直接右插入列下插入行操作,这种操作会生成大量的0值像素点,这些0值像素点毫无意义,我们就需要对0值像素点进行赋值。而赋值就是插值处理。插值处理也有很多方法,比如用区域均值补充,那生成的就是平均金字塔,如果用高斯核填充就是高斯金字塔

四、上下采样API:

下采样:cv2.pyrDown(img [, dstsize, borderType])
上采样:cv2.pyrUp(img [, dstsize, borderType])
默认的尺寸都是一半一半的减小,或者一倍一倍的增加。
默认的滤波器都是高斯滤波器。

五、高斯金字塔

#例11.1 对lena进行下采样
import cv2
import numpy as np
import matplotlib.pyplot as plt

lena0 = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp', 0)
lena1 = cv2.pyrDown(lena0)
lena2 = cv2.pyrDown(lena1)
lena3 = cv2.pyrDown(lena2)
lena4 = cv2.pyrDown(lena3)

Fig=plt.figure(figsize=(16,10))
Grid=plt.GridSpec(33,33)
axes1=Fig.add_subplot(Grid[:17,:17]), plt.imshow(lena0, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes2=Fig.add_subplot(Grid[:9,17:25]), plt.imshow(lena1, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes3=Fig.add_subplot(Grid[:5,25:29]), plt.imshow(lena2, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes4=Fig.add_subplot(Grid[:3,29:31]), plt.imshow(lena3, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes5=Fig.add_subplot(Grid[:1,31:32]), plt.imshow(lena4, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
plt.show()

#例11.2 对lena进行上采样
import cv2
import numpy as np
import matplotlib.pyplot as plt

lena0 = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp', 0)   #512
lena1 = cv2.pyrUp(lena0)  #1024
lena2 = cv2.pyrUp(lena1)  #2048
lena3 = cv2.pyrUp(lena2)  #4096


Fig=plt.figure(figsize=(16,10))
Grid=plt.GridSpec(16,16)
axes1=Fig.add_subplot(Grid[0,0]), plt.imshow(lena0, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes2=Fig.add_subplot(Grid[0:3,1:3]), plt.imshow(lena1, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes3=Fig.add_subplot(Grid[0:5,3:7]), plt.imshow(lena2, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes4=Fig.add_subplot(Grid[0:9,7:15]), plt.imshow(lena3, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
plt.show()

#例11.3 对lena先下采样再上采样,看结果图核原始图的差异,然后再lena先上采样再下采样,看结果图和原始图的差异
import cv2
import numpy as np
import matplotlib.pyplot as plt

lena0 = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp', 0)   #512
lena1 = cv2.pyrDown(lena0)  #216
lena2 = cv2.pyrUp(lena1)  #512
diff1 = lena2-lena0

lena11 = cv2.pyrUp(lena0)  #1024
lena22 = cv2.pyrDown(lena11)  #512
diff2 = lena22-lena0

Fig=plt.figure(figsize=(16,10))
Grid=plt.GridSpec(6,10)
axes1=Fig.add_subplot(Grid[:2,:2]), plt.imshow(lena0, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes2=Fig.add_subplot(Grid[0,2]), plt.imshow(lena1, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes3=Fig.add_subplot(Grid[:2,3:5]), plt.imshow(lena2, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes4=Fig.add_subplot(Grid[:2,5:7]), plt.imshow(diff1, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes21=Fig.add_subplot(Grid[2:4,:2]), plt.imshow(lena0, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes22=Fig.add_subplot(Grid[2:6,2:6]), plt.imshow(lena11, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes23=Fig.add_subplot(Grid[2:4,6:8]), plt.imshow(lena22, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes24=Fig.add_subplot(Grid[2:4,8:10]), plt.imshow(diff2, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
plt.show()

六、拉普拉斯金字塔

拉普拉斯金字塔是在高斯金字塔的基础上生成的。
为啥要发明拉普拉斯金字塔?还是因为高斯金字塔,虽然它用高斯核过滤了一遍,但或多或少还是有信息丢失,而这些丢失的信息就是拉普拉斯金字塔 。所以拉普拉斯金字塔的作用就在于能够恢复图像的细节,就是我们从高层的尺寸小的特征图中提取特征后,我们还能通过拉普拉斯金字塔数据找回高层像素点对应的底层清晰度更高的图像,就是返回来找到更多图像的细节。
Li = Gi - PyrUp( PyrDown(Gi) )
其中,Gi:原始图像 ; Li:拉普拉斯金字塔图像

#例11.4 对lena图片构造拉普拉斯金字塔
import cv2
import numpy as np
import matplotlib.pyplot as plt

lena = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp', 0)   #512

G0 = lena
G1 = cv2.pyrDown(G0)
G2 = cv2.pyrDown(G1)
G3 = cv2.pyrDown(G2)
L0 = G0 - cv2.pyrUp(G1)
L1 = G1 - cv2.pyrUp(G2)
L2 = G2 - cv2.pyrUp(G3)

Fig=plt.figure(figsize=(16,10))
Grid=plt.GridSpec(33,33)
axes1=Fig.add_subplot(Grid[:17,:17]), plt.imshow(G0, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes2=Fig.add_subplot(Grid[:9,17:25]), plt.imshow(G1, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes3=Fig.add_subplot(Grid[:5,25:29]), plt.imshow(G2, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes4=Fig.add_subplot(Grid[:3,29:31]), plt.imshow(G3, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])

Fig=plt.figure(figsize=(16,10))
Grid=plt.GridSpec(33,33)
axes1=Fig.add_subplot(Grid[:17,:17]), plt.imshow(L0, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes2=Fig.add_subplot(Grid[:9,17:25]), plt.imshow(L1, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
axes3=Fig.add_subplot(Grid[:5,25:29]), plt.imshow(L2, cmap='gray'), plt.box(), plt.xticks([]), plt.yticks([])
plt.show()

#例11.5 使用拉普拉斯金字塔和高斯金字塔恢复原始图像
import cv2
import numpy as np
import matplotlib.pyplot as plt

lena = cv2.imread(r'C:\Users\25584\Desktop\lena.bmp', 0)   #512
#生成高斯金字塔
G0 = lena
G1 = cv2.pyrDown(G0)
G2 = cv2.pyrDown(G1)
G3 = cv2.pyrDown(G2)
#生成拉普拉斯金字塔
L0 = G0 - cv2.pyrUp(G1)
L1 = G1 - cv2.pyrUp(G2)
L2 = G2 - cv2.pyrUp(G3)
#恢复原始图像
G0_1 = L0 + cv2.pyrUp(G1)
G1_1 = L1 + cv2.pyrUp(G2)
G2_1 = L2 + cv2.pyrUp(G3)
#确认每层是否真的复原
f0 = G0_1 - G0
f1 = G1_1 - G1
f2 = G2_1 - G2
print(np.sum(abs(f0)))
print(np.sum(abs(f1)))
print(np.sum(abs(f2)))
0
0
0
  • 11
    点赞
  • 53
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
图像金字塔是一种在图像处理中常用的技术,用于对图像进行多尺度分析和处理。它可以通过将原始图像通过不同大小的滤波器进行模糊和采样,从而获得一系列不同分辨率的图像。在Matlab中,我们可以使用pyrDown和pyrUp函数来实现图像金字塔的构建和重建。 pyrDown函数可以将图像降采样一半,通过使用高斯滤波器对图像进行平滑处理,然后取出偶数行和偶数列的像素值,从而生成一个尺寸缩小一半的图像。而pyrUp函数可以对图像进行插值操作,将图像尺寸恢复为原来的两倍,通过使用卷积核对图像进行卷积操作,从而生成一个尺寸增大一倍的图像。 通过不断重复使用pyrDown和pyrUp函数,我们可以构建出一个图像金字塔,其中每一层代表图像在不同尺度下的表示。在图像金字塔中,高层表示的是分辨率低但包含更多全局信息的图像,低层表示的是分辨率高但包含更多局部细节的图像。 利用图像金字塔,我们可以进行一些重要的操作,例如图像缩放、图像融合和图像分割等。在Matlab中,我们可以使用imresize函数来实现图像金字塔的上采样和下采样操作,使用impyramid函数来实现不同层级之间的图像融合操作,使用imsegkmeans函数来实现基于金字塔的图像分割操作等。 总之,图像金字塔是一种强大的图像处理技术,在Matlab中可以通过pyrDown和pyrUp函数来构建和重建,可用于多尺度分析和处理。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值