图像处理（九）高斯金字塔及拉普拉斯金字塔

高斯滤波的核就是一个求平均值的卷积核
高斯金字塔也是一个高斯核，只是步长为2，卷积后图片缩小二倍。高斯金字塔的目的是在图像不同大小时可以获得不同的信息，比如说图像较小时可以获得轮廓，图像较大时可以获得细节
使用函数cv2.pyrDown(image)
拉普拉斯金字塔作用后的效果就是不同层次下提取边缘，原理就是基于高斯金字塔下，从高斯金字塔塔尖开始，每层图片扩大二倍，与下一层做差，得到的新图
使用函数cv2.pyrUp(image) cv2.subtract(image1,image2)

值得注意的坑是拉普拉斯金字塔的原图必须是2的n次方，不然会出现BUG

实现代码如下：
高斯模糊卷积核写错了，纠正方法见图像处理（十六）对高斯模糊进行了重新定义，这个卷积核是均值模糊

import numpy as np
import cv2
import random

#高斯模糊未考虑权重
# gausf = np.asarray([[1/9,1/9,1/9],[1/9,1/9,1/9],[1/9,1/9,1/9]])
# image = cv2.imread('test.jpg',0)
# hight,width = image.shape
# for i in range(5000):
# 	h = random.randint(1,hight-1)
# 	w = random.randint(1,width-1)
# 	image[h,w] = 255
# img = np.zeros((hight,width))

# for i in range(1,hight-1):
# 	for j in range(1,width-1):
# 		img[i-1,j-1] = np.sum(image[i-1:i+2,j-1:j+2]*gausf)

# cv2.imshow('image',image)
# cv2.imshow('test',img.astype(np.uint8))
# cv2.waitKey(0)
# cv2.destroyWindow()

#高斯金字塔
path = 'test.jpg'
image = cv2.imread(path,0)
image = cv2.resize(image,(512,512))
step = 5
def gaussian(image,step):
	image_list = []
	temp = image.copy()

	for i in range(step):
		img = cv2.pyrDown(temp)
		temp = img.copy()
		image_list.append(temp)

	return image_list
# for i in range(step):
# 	img = image_list[i]
# 	cv2.imshow('test'+str(i),img)


def lapulasi(image,step):
	lapu_list = []
	image_list = gaussian(image,step)
	le = len(image_list)
	for i in range(le-1,-1,-1):
		if (i-1)<0:
			ext = cv2.pyrUp(image_list[i])
			result = cv2.subtract(image,ext)
			lapu_list.append(result)
		else:
			ext = cv2.pyrUp(image_list[i])
			print(ext.shape)
			print(image_list[i-1].shape)
			result = cv2.subtract(image_list[i-1],ext)
			lapu_list.append(result)

	return lapu_list

lapu_list = lapulasi(image,step)

for i in lapu_list:
	cv2.imshow('test'+str(i),i)

cv2.waitKey(0)
cv2.destroyWindows()

效果图如下：

这是高斯金字塔

下面是拉普拉斯金字塔