图像金字塔

最新推荐文章于 2024-04-03 17:15:32 发布
最新推荐文章于 2024-04-03 17:15:32 发布
阅读量288 收藏
点赞数
原文链接：https://xiongyiming.blog.csdn.net/article/details/90167880
版权

目录

1 图像金字塔简介

2 向下取样——pyrDown()

2.1 基础理论

2.2 代码示例

3 向上取样——pyrUp()

3.1 基础理论

3.2 代码示例

4 Laplacian 金字塔

4.1 基础理论

4.2 代码示例

参考资料

 

1 图像金字塔简介

以多个分辨率来表示图像的一种有效且概念简单的结构是图像金字塔。图像金字塔最初用于机器视觉和图像压缩，一个图像金字是一系列以金字塔形状排列的、分辨率逐步降低的图像集合。

如图下图所示，它包括了四层图像，将这一层一层的图像比喻成金字塔。图像金字塔可以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，在向下采样中，层级越高，则图像越小，分辨率越低。

 

生成图像金字塔主要包括两种方式：向下取样 和 向上取样。

如下图所示：

向下取样：将图像从G0转换为G1、G2、G3，图像分辨率不断降低的过程；

向上取样：将图像从G3转换为G2、G1、G0，图像分辨率不断增大的过程。

下面将依次介绍向下取样 和 向上取样。

 

2 向下取样——pyrDown()

2.1 基础理论

在图像向下取样中，一般分两步：

（1）对图像Gi进行高斯卷积核（高斯滤波）；

（2）删除所有的偶数行和列。

 

其中，高斯核卷积运算（高斯滤波）就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值（权重不同）经过加权平均后得到。常见的 3\times3 和 5\times5 高斯核如下：

                                                                              K(3,3)=\frac{1}{16}\times \left[ \begin{matrix} 1 & 2 & 1 \\ 2 & 4 & 2 \\ 1 & 2 & 1 \\ \end{matrix} \right]

                                                                     K(5,5)=\frac{1}{273}\times \left[ \begin{matrix} 1 & 4 & 7 & 4 & 1 \\ 4 & 16 & 26 & 16 & 4 \\ 7 & 26 & 41 & 26 & 7 \\ 4 & 16 & 26 & 16 & 4 \\ 1 & 4 & 7 & 4 & 1 \\ \end{matrix} \right]

关于高斯滤波的详细过程，可以参见博客：图像平滑 (均值滤波、中值滤波和高斯滤波)

 

如下图所示，向下取样后，原始图像 G_i 具有 M\timesN 个像素，进行向下取样之后，所得到的图像 G_i+1 具有 M/2 \times N/2 个像素，只有原图的四分之一。通过对输入的原始图像不停迭代以上步骤就会得到整个金字塔。

注：由于每次向下取样会删除偶数行和列，所以它会不停地丢失图像的信息。

 

下面是向下取样的图像，可以看到图像不断缩小。

 

 

2.2 代码示例

在OpenCV中，向下取样使用的函数为pyrDown()，其函数用法如下所示：

dst = pyrDown(src[, dst[, dstsize[, borderType]]])

其中，参数：

src 表示输入图像；

dst 表示输出图像，和输入图像具有一样的尺寸和类型；

dstsize 表示输出图像的大小，默认值为Size()；

borderType 表示像素外推方法，详见cv::bordertypes 。

 

（1）一次向下采样

代码如下所示：


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # -*- coding: utf-8 -*-
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import cv2
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import numpy 
     
     as np
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import matplotlib.pyplot 
     
     as plt
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #读取原始图像
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     img = cv2.imread(
     
     'zxp.jpg')
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向下取样
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r = cv2.pyrDown(img)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #显示图像
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'original', img)
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'PyrDown', r)
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.waitKey()
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.destroyAllWindows()

 

运行结果如下图所示：

 

（2）多次向下采样

代码如下所示：


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # -*- coding: utf-8 -*-
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import cv2
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import numpy 
     
     as np
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import matplotlib.pyplot 
     
     as plt
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #读取原始图像
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     img = cv2.imread(
     
     'zxp.jpg')
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向下取样
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r1 = cv2.pyrDown(img)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r2 = cv2.pyrDown(r1)
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r3 = cv2.pyrDown(r2)
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #显示图像
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'original', img)
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'PyrDown1', r1)
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'PyrDown2', r2)
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'PyrDown3', r3)
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.waitKey()
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.destroyAllWindows()

 

运行结果如下图所示：

 

3 向上取样——pyrUp()

3.1 基础理论

在图像向上取样是由小图像不断放图像的过程。它将图像在每个方向上扩大为原图像的2倍，新增的行和列均用0来填充，并使用与“向下取样”相同的卷积核乘以4，再与放大后的图像进行卷积运算，以获得“新增像素”的新值。

 

如图下图所示，它在原始像素45、123、89、149之间各新增了一行和一列值为0的像素。

 

如下图所示，为图像的向上采样和向下采样的例子。

注：向上取样和向下取样无法互逆的。

 

 

3.2 代码示例

在OpenCV中，向上取样使用 pyrUp() 函数，其函数用法如下所示：

dst = pyrUp(src[, dst[, dstsize[, borderType]]])

其中，参数：

src 表示输入图像；

dst 表示输出图像，和输入图像具有一样的尺寸和类型；

dstsize 表示输出图像的大小，默认值为Size()；

borderType 表示像素外推方法，详见cv::bordertypes 。

 

代码如下所示：


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # -*- coding: utf-8 -*-
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import cv2
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import numpy 
     
     as np
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import matplotlib.pyplot 
     
     as plt
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #读取原始图像
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     img = cv2.imread(
     
     'zxp_PyrDown2.jpg')
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向上取样
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r = cv2.pyrUp(img)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #显示图像
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'original', img)
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'PyrUp', r)
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.waitKey()
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.destroyAllWindows()

 

运行结果如下图所示：

 

4 Laplacian 金字塔

4.1 基础理论

前面提到的均是高斯金字塔(使用高斯核)，下面介绍拉普拉斯(Laplacian) 金字塔，拉普拉斯(Laplacian) 金字塔是在高斯金字塔的基础上新的金字塔。

如下图所示，拉普拉斯(Laplacian) 金字塔的表达式：

 

拉普拉斯每一层表示如下图所示：

 

下图高斯金字塔和拉普拉斯金字塔 交叉使用得到不同的图像。

 

 

 

4.2 代码示例

 

（1） 拉普拉斯第0层

代码如下所示：


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # -*- coding: utf-8 -*-
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import cv2
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import numpy 
     
     as np
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import matplotlib.pyplot 
     
     as plt
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #读取原始图像
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     img = cv2.imread(
     
     'lena.tiff')
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向下取样
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r1 = cv2.pyrDown(img)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向上取样
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r2 = cv2.pyrUp(r1)
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # 拉普拉斯第0层
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     LapPyr0 =img-r2
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #显示图像
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'original', img)
    
    
    
   
   
  22. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'LapPyr', LapPyr0)
    
    
    
   
   
  23. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.waitKey()
    
    
    
   
   
  24. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.destroyAllWindows()

 

运行结果如下图所示：

 

 

（2） 拉普拉斯第0层和拉普拉斯第1层

代码如下所示：


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # -*- coding: utf-8 -*-
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import cv2
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import numpy 
     
     as np
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     import matplotlib.pyplot 
     
     as plt
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #读取原始图像
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     img = cv2.imread(
     
     'lena.tiff')
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向下取样
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r1 = cv2.pyrDown(img)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向上取样
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r2 = cv2.pyrUp(r1)
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # 拉普拉斯第0层
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     LapPyr0 =img-r2
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向下取样
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r3 = cv2.pyrDown(r1)
    
    
    
   
   
  22. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  23. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #图像向上取样
    
    
    
   
   
  24. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     r4 = cv2.pyrUp(r3)
    
    
    
   
   
  25. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  26. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     # 拉普拉斯第1层
    
    
    
   
   
  27. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     LapPyr1 =r1-r4
    
    
    
   
   
  28. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  29. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #显示图像
    
    
    
   
   
  30. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'original', img)
    
    
    
   
   
  31. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'LapPyr0', LapPyr0)
    
    
    
   
   
  32. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.imshow(
     
     'LapPyr1', LapPyr1)
    
    
    
   
   
  33. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.waitKey()
    
    
    
   
   
  34. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     cv2.destroyAllWindows()

 

运行结果如下图所示：

 

参考资料

[1] https://blog.csdn.net/Eastmount/article/details/89341077

[2] Python+OpenCV图像处理

[3] 冈萨雷斯. 数字图像处理(第三版) 

  •                     <li class="tool-item tool-active is-like eye-protector-processed" style="transition: background-color 0.3s ease 0s; background-color: rgb(193, 230, 198);"><a href="javascript:;"><svg class="icon" aria-hidden="true">
                        <use xlink:href="#csdnc-thumbsup"></use>
                    </svg><span class="name">点赞</span>
                    <span class="count">7</span>
                    </a></li>
                    <li class="tool-item tool-active is-collection eye-protector-processed" style="transition: background-color 0.3s ease 0s; background-color: rgb(193, 230, 198);"><a href="javascript:;" data-report-click="{&quot;mod&quot;:&quot;popu_824&quot;}"><svg class="icon" aria-hidden="true">
                        <use xlink:href="#icon-csdnc-Collection-G"></use>
                    </svg><span class="name">收藏</span></a></li>
                    <li class="tool-item tool-active is-share eye-protector-processed" style="transition: background-color 0.3s ease 0s; background-color: rgb(193, 230, 198);"><a href="javascript:;"><svg class="icon" aria-hidden="true">
                        <use xlink:href="#icon-csdnc-fenxiang"></use>
                    </svg>分享</a></li>
                    <!--打赏开始-->
                                            <!--打赏结束-->
                                            <li class="tool-item tool-more">
                        <a>
                        <svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg>
                        </a>
                        <ul class="more-box eye-protector-processed" style="transition: background-color 0.3s ease 0s; border-color: rgba(0, 0, 0, 0.35); background-color: rgb(193, 230, 198);">
                            <li class="item"><a class="article-report">文章举报</a></li>
                        </ul>
                    </li>
                                        </ul>
            </div>
                        </div>
        <div class="person-messagebox eye-protector-processed" style="border-top-color: rgba(0, 0, 0, 0.35);">
            <div class="left-message"><a href="https://xiongyiming.blog.csdn.net">
                <img src="https://profile.csdnimg.cn/8/4/C/3_zaishuiyifangxym" class="avatar_pic" username="zaishuiyifangxym">
                                        <img src="https://g.csdnimg.cn/static/user-reg-year/1x/2.png" class="user-years">
                                </a></div>
            <div class="middle-message">
                                    <div class="title"><span class="tit"><a href="https://xiongyiming.blog.csdn.net" data-report-click="{&quot;mod&quot;:&quot;popu_379&quot;}" target="_blank">在水一方xym</a></span>
                                                <span class="flag expert">
                            <a href="https://blog.csdn.net/home/help.html#classicfication" target="_blank" class="eye-protector-processed" style="border-color: rgba(0, 0, 0, 0.35); color: rgb(0, 0, 0);">
                                <svg class="icon" aria-hidden="true">
                                    <use xlink:href="#csdnc-blogexpert"></use>
                                </svg>
                                博客专家
                            </a>
                        </span>
                                        </div>
                <div class="text"><span>发布了148 篇原创文章</span> · <span>获赞 1636</span> · <span>访问量 64万+</span></div>
            </div>
                            <div class="right-message">
                                        <a href="https://bbs.csdn.net/forums/p-zaishuiyifangxym" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-messageboard eye-protector-processed" style="transition: background-color 0.3s ease 0s; background-color: rgb(193, 230, 198);">他的留言板
                    </a>
                                                        <a class="btn btn-sm  bt-button personal-watch" data-report-click="{&quot;mod&quot;:&quot;popu_379&quot;}">关注</a>
                                </div>
                        </div>
    </div>
邦军
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
第11章：图像金字塔
weixin_57440207的博客
01-23 9185
第11章：图像金字塔一、理论基础：1. 向下采样：2. 向上采样：二、pyrDown函数使用：三、pyrUp函数及使用：四、采样可逆性研究五、拉普拉斯金字塔1. 定义：2. 应用： 什么是图像金子塔？ ​ 图像金字塔是由一幅图像的多个不同分辨率的子图构成的图像集合。是通过一个图像不断的降低采样率产生的，最小的图像可能仅仅有一个像素点。下图是一个图像金子塔的示例。从图中可以看到，图像金字塔是一系列以金字塔形状排列的、自底向上分辨率逐渐降低的图像集合。 ​ 通常情况下，图像金字塔的底部是待处理的高分辨率图
图像金字塔，原理、实现及应用
吹吹自然风
03-10 4445
图像金字塔是对图像的一种多尺度表达，将各个尺度的图像按照分辨率从小到大，依次从上到下排列，就会形成类似金字塔的结构，因此称为图像金字塔。常见的图像金字塔有两类，一种是高斯金字塔（Gaussian Pyramid），另一种的拉普拉斯金字塔（Laplacian Pyramid）。
【OpenCV】第十一章: 图像金字塔
因为热爱所以坚持
12-06 3053
一、什么是图像金字塔 二、为什么要生成图像金字塔，图像金字塔能干啥？ 三、理论基础：下采样、上采样、滤波器 四、上下采样API 五、高斯金字塔 六、拉普拉斯金字塔
最详细的图像金字塔原理及下采样的实现
AI_dataloads的博客
10-18 1350
图像金字塔是对图像的一种多尺度的表达，将各个尺度的图像按照分辨率从小到大，依次从上到下排列，就会形成类似金字塔的结构，因此称为图像金字塔。常见的图像金字塔有两类，一种是高斯金字塔，另一种的拉普拉斯金字塔一般在图像处理中，高斯代表“模糊”，而拉普拉斯代表“差异”。高斯金字塔通过不断对图像进行模糊且下采样而获得，下采样的因子一般是2倍。随着分辨率越来越小，图像会越来越模糊，高斯金字塔的最底层就是原始图像本身。拉普拉斯金字塔在高斯金字塔的基础上，对所有层进行上采样（一般也是2倍上采样）
python 图像金字塔 模版匹配
12-01
代码粗糙，不一定适用于所有的图片，别的图片需要自己改动部分代码，这个资源主要是为了给大家提供用python如何写基于图像金字塔的模板匹配思路的。
SpatialPyramid.rar_CalculateDictionary_图像金字塔
07-14
图像金字塔相关程序，写的非常好，主要用来学习相关算法。
54_PyrAndResize_图像金字塔_
09-30
图像金字塔算法实例，代码质量较高，而且中文注释较多，在各个关键地方都有相应注释
图像金字塔1
08-08
生成方式向下取样：将图像从G0转换为G1、G2、G3，图像分辨率不断降低的过程向上取样：将图像从G3转换为G2、G1、G0，图像分辨率不断增大的过程常见两类图像
geotif、tif图像金字塔处理
09-14
利用C#编的关于geotif、tif图像利用GDAL处理成金字塔结构，代码可以直接运行。需安装GDAL
Sift中尺度空间、高斯金字塔、差分金字塔（DOG金字塔）、图像金字塔
热门推荐
牧野的博客
09-17 7万+
一、 图像金字塔 图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像。把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素（尺寸）逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像，这就构成了传统意义上的图像金字塔。 获得图像金字塔一般包括二个步骤： 1. 利用低通滤波器平滑图像  2. 对平
什么是图像金字塔
kunkliu的博客
01-06 3469
有些情况下，我们需要处理源自同一张图像的不同分辨率的图像集合。这些不同分辨率的图像组成的集合称为图像金字塔。 图像金字塔的主要类型可分为低通和带通 有两种常用图像金字塔： Gaussian Pyramid （低通） Laplacian Pyramids （带通） 之所以称为金字塔，是因为金字塔底部由大尺寸的原图组成，越往上层，尺寸越小，堆叠起来就是一个金字塔的形式： 金字塔的生成过程 低通金字塔：使用一个恰当的平滑filter对图像进行平滑处理，接着对平滑之后的图像进行下采样（subsamp.
OpenCV图像处理学习十三，图像金字塔——高斯金字塔和拉普拉斯金字塔
weixin_44651073的博客
08-16 4831
图像金字塔——高斯金字塔和拉普拉斯金字塔
opencv基础45-图像金字塔01-高斯金字塔cv2.pyrDown()
小海聊智造
08-08 1964
图像金字塔（Image> Pyramid）是一种用于多尺度图像处理和分析的技术，它通过构建一系列不同分辨率的图像，从而使得图像可以在不同尺度下进行处理和分析。图像金字塔在计算机视觉、图像处理和计算机图形学等领域中广泛应用，可以用于目标检测、特征提取、图像匹配、尺度不变特征变换（SIFT）等任务。图像金字塔通常分为两种类型：高斯金字塔和拉普拉斯金字塔。高斯金字塔（Gaussian Pyramid）：高斯金字塔通过不断降采样（缩小）原始图像来构建，每一层图像都是前一层图像的一半大小。
深度学习笔记---多尺度网络结构归类总结
YOULANSHENGMENG的博客
11-09 1万+
1.什么是图像金字塔 图像金字塔是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效但概念简单的结构。图像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其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。金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低。 获得图像金字塔一般包括二个步骤...
图像金字塔：概念及实现
Hello，Sunpro!
09-20 3635
文章目录图像金字塔：概念和实现1. 图像金字塔的概念2. 图像金字塔的实现方式3. 基于OpenCV的图像金字塔实现参考资料 图像金字塔：概念和实现 首先补充一下分辨率的概念：图像分辨率指图像中存储的信息量，是每英寸图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，通常叫做像素每英寸。 当我们观察图像时，通常看到的是由相似的纹理和灰度级像素连城的区域，他们相结合形成了物体。当物体的尺寸较小或者对比度较低时，我们通常要较高的分辨率观察；当物体的尺寸较大或者对比度较高时，则只要粗略的
计算机视觉——图像金字塔理解与代码示例
最新发布
知来者逆的博客
04-03 1345
有时为了在图像中检测一个物体（例如人脸、汽车或其他类似的物体），需要调整图像的大小或对图像进行子采样，并进行进一步的分析。然后对第二组的第一层图像进行σ的高斯平滑处理，得到第二组的第二层，类似于步骤2。在同一组内，它们的尺寸相同，但在不同组之间，第二组的图像尺寸是第一组图像尺寸的一半。在同一组内，不同层图像的尺寸相同，后一层图像的平滑系数是前一层图像平滑系数的k倍。
图像金字塔 matlab
09-06
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...

“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
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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