OpenCV 图像预处理—图像金字塔

最新推荐文章于 2024-09-11 22:56:56 发布

Trump. yang

最新推荐文章于 2024-09-11 22:56:56 发布

阅读量1.3k

点赞数 14

文章标签： opencv 计算机视觉人工智能

本文链接：https://blog.csdn.net/weixin_46999174/article/details/140699583

版权

文章目录

构建高斯金字塔为什么要对当前层进行模糊？

构建高斯金字塔时对当前层进行高斯模糊（Gaussian Blur）有几个重要的原因：

1. 平滑处理

高斯模糊是对图像进行平滑处理，减少高频噪声和细节。这种平滑处理能够避免在下采样时出现锯齿效应（aliasing），使得下采样后的图像更加平滑和自然。

2. 减少混叠（Aliasing）

混叠效应是指在图像下采样过程中，高频分量折叠回低频分量，导致图像失真。高斯模糊通过平滑处理去除高频分量，减少了混叠效应，使得下采样后的图像更能真实地反映原图像的特征。

3. 多尺度表示

高斯金字塔的构建旨在获得图像的多尺度表示。通过对图像进行高斯模糊并逐层下采样，可以生成一系列分辨率不同的图像，每一层图像代表原图像的不同尺度。这种多尺度表示在图像处理和分析中具有重要意义，可以用于图像金字塔压缩、特征提取和物体检测等任务。

4. 图像降采样

在进行降采样时，如果直接对原始图像进行下采样，可能会丢失图像中的细节和重要信息。高斯模糊使得图像在降采样之前得到平滑处理，从而在降采样过程中保留更多的关键信息，使得金字塔中各层图像能够更好地代表原图像。

举个栗子

该代码构建了三层高斯金字塔

int main()
{
    string imagePath = "C:\\Users\\Marxist\\Pictures\\coco\\show_jpg.jpg";
    string mix_image_path = "C:\\Users\\Marxist\\Pictures\\coco\\Linux.jpg";
    Mat image = imread(imagePath);//读取灰度图像
    Mat resize_image ;
    resize(image,resize_image,Size(500,500));
    imshow("source image",resize_image);
    Mat g1 ,g2 ,g3;
    pyrDown(resize_image,g1,Size(250,250));
    pyrDown(g1,g2,Size(125,125));
    imshow("g1",g1);
    imshow("g2",g2);
    waitKey();
    return 0;
}

在这里插入图片描述

创建高斯金字塔和拉普拉斯金字塔，并用拉普拉斯金字塔恢复图像

int main()
{
    string imagePath = "C:\\Users\\Marxist\\Pictures\\coco\\show_jpg.jpg";
    string mix_image_path = "C:\\Users\\Marxist\\Pictures\\coco\\Linux.jpg";
    Mat image = imread(imagePath);//读取灰度图像
    Mat resize_image ;
    imshow("source image",image);

//    By default, size of the output image is computed as `Size((src.cols+1)/2, (src.rows+1)/2)`,如果Size不指定，就是默认缩一半
//    pyrDown(resize_image,g1,Size(250,250));

    // 构建高斯金字塔
    vector<Mat> gaussian_pyramid;
    Mat current_image = image;
    for (int i = 0; i < 3; ++i) {
        Mat down;
        pyrDown(current_image, down);
        gaussian_pyramid.push_back(down);
        current_image = down;
    }

    
    // 构建拉普拉斯金字塔
    vector<Mat> laplacian_pyramid;
    for (int i = 0; i < gaussian_pyramid.size() - 1; ++i) {
        Mat up;
        pyrUp(gaussian_pyramid[i + 1], up, gaussian_pyramid[i].size());
        Mat laplacian = gaussian_pyramid[i] - up;
        laplacian_pyramid.push_back(laplacian);
    }

    // 最顶层高斯金字塔图像也加入拉普拉斯金字塔
    laplacian_pyramid.push_back(gaussian_pyramid.back());

    // 显示拉普拉斯金字塔
    for (int i = 0; i < laplacian_pyramid.size(); ++i) {
        imshow("Laplacian Pyramid Level " + to_string(i + 1), laplacian_pyramid[i]);
    }

    // 从拉普拉斯金字塔恢复原始图像
    Mat reconstructed_image = laplacian_pyramid.back(); // 从最顶层开始
    for (int i = laplacian_pyramid.size() - 2; i >= 0; --i) {
        Mat up;
        pyrUp(reconstructed_image, up, laplacian_pyramid[i].size());
        reconstructed_image = up + laplacian_pyramid[i];
    }

    // 显示恢复的图像
    imshow("Reconstructed Image", reconstructed_image);

    waitKey(0);

    return 0;
}