图像金字塔（opencv_python下）

参考：

OpenCV 2.3.2 documentation » OpenCV 教程 » imgproc 模块. 图像处理 »

Python下opencv使用笔记（八）（图像金字塔）

---

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。

• 这两个步骤(向下和向上采样) 分别通过OpenCV函数 pyrUp 和 pyrDown 实现

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()