参考:
OpenCV 2.3.2 documentation » OpenCV 教程 » imgproc 模块. 图像处理 »
OpenCV 几何变换 部分提供了一个真正意义上的图像缩放函数(resize),不过在本篇我们首先学习一下使用 图像金字塔 来做图像缩放, 图像金字塔是视觉运用中广泛采用的一项技术。
图像金字塔¶
- 一个图像金字塔是一系列图像的集合 - 所有图像来源于同一张原始图像 - 通过梯次向下采样获得,直到达到某个终止条件才停止采样。
- 有两种类型的图像金字塔常常出现在文献和应用中:
- 高斯金字塔(Gaussian pyramid): 用来向下采样
- 拉普拉斯金字塔(Laplacian pyramid): 用来从金字塔低层图像重建上层未采样图像
高斯金字塔¶
-
想想金字塔为一层一层的图像,层级越高,图像越小。
-
每一层都按从下到上的次序编号, 层级 (表示为 尺寸小于层级 ())。
-
为了获取层级为 的金字塔图像,我们采用如下方法:
-
将 与高斯内核卷积:
-
将所有偶数行和列去除。
-
-
显而易见,结果图像只有原图的四分之一。通过对输入图像 (原始图像) 不停迭代以上步骤就会得到整个金字塔。
-
以上过程描述了对图像的向下采样,如果将图像变大呢?:
- 首先,将图像在每个方向扩大为原来的两倍,新增的行和列以0填充()
- 使用先前同样的内核(乘以4)与放大后的图像卷积,获得 “新增像素” 的近似值。
Note
我们向下采样缩小图像的时候, 我们实际上 丢失 了一些信息。
laplacian金字塔¶
图像的拉普拉斯金字塔可以由图像的高斯金字塔得到,转换的公式为:
Li=Gi−PyrUp(Gi+1)
拉普拉斯金字塔的图像看起来就像是边界图,经常被用在图像压缩中。
图像金字塔的一个比较明显的应用就是图像匹配中的sift算法,参考文章中博主给出这篇文章,还未研读。。。
图像匹配算法研究之sift算法 SIFT算法主要用于提取具有图像旋转不变性和伸缩不变性的特征点,可以推广到图像识别、图像拼接以及图像恢复等。
函数
pyrUp( tmp, dst, Size( tmp.cols*2, tmp.rows*2 )
函数 pyrUp 接受了3个参数:
- tmp: 当前图像, 初始化为原图像 src 。
- dst: 目的图像( 显示图像,为输入图像的两倍)
- Size( tmp.cols*2, tmp.rows*2 ) : 目的图像大小, 既然我们是向上采样, pyrUp 期待一个两倍于输入图像( tmp )的大小。
pyrDown( tmp, dst, Size( tmp.cols/2, tmp.rows/2 )
类似于 pyrUp, 函数 pyrDown 也接受了3个参数:
- Size( tmp.cols/2, tmp.rows/2 ) :目的图像大小, 既然我们是向下采样, pyrDown 期待一个一半于输入图像( tmp)的大小。
- dst: 目的图像( 显示图像,为输入图像的一半)
- tmp: 当前图像, 初始化为原图像 src 。
注意输入图像的大小(在两个方向)必须是2的冥,否则,将会显示错误。
应用代码
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("D:\\software_my_programming\
\\relate_to_irisrecog\\CASIA-Iris-Lamp\\001\\L\\S2001L01.jpg",0)
#读取图像,0为灰度图像,1为彩色图像
height,width = img.shape[:2]
img1 = cv2.pyrDown(img)
img2 = cv2.pyrUp(img1)
img3 = img-img2
plt.subplot(221),plt.imshow(img,'gray'),plt.title('img')
plt.subplot(222),plt.imshow(img1,'gray'),plt.title('pyrDown')
plt.subplot(223),plt.imshow(img2,'gray'),plt.title('.pyrUp')
plt.subplot(224),plt.imshow(img3,'gray'),plt.title('lowestLaplacian')
plt.show()