OpenCV 图像金字塔

最新推荐文章于 2023-08-08 10:36:59 发布
最新推荐文章于 2023-08-08 10:36:59 发布
阅读量305 收藏
点赞数
文章标签： opencv 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_56260304/article/details/129881344
版权

在某些情况下，我们需要在不同的分辨率下处理(相同的)图像；
例如，当在图像中搜索某个东西时，比如人脸，我们不确定该对象在该图像中的大小，在这种情况下，我们需要创建一组具有不同分辨率的相同图像，并在所有这些图像中搜索对象，这些具有不同分辨率的图像集被称为图像金字塔
在这里插入图片描述

高斯金字塔

高斯金字塔中的高阶(低分辨率)是通过去除低阶(高分辨率)图像中连续的行和列而形成的，我们可以使用cv.pyrDown()和cv.pyrUp()函数找到高斯金字塔

dst=cv.pyrDown(src[,st[,dstsize[,borderType]]])

dst：目标图像
scr：为原始图像
borderType：为边界类型，默认为BORDER_DEFAULT，默认情况下，输出图像的大小长宽为原图像的一半

img = cv.imread('./opencv_dataset/cv_1.jpg',0) # 灰色图像
r1 = cv.pyrDown(img)
r2 = cv.pyrDown(r1)
r3 = cv.pyrDown(r2)

print(img.shape)
print(r1.shape)
print(r2.shape)
print(r3.shape)
plt.subplot(1,4,1),plt.imshow(img,cmap = 'gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,2),plt.imshow(r1,cmap = 'gray')
plt.title('r1'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,3),plt.imshow(r2,cmap = 'gray')
plt.title('r2'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,4),plt.imshow(r3,cmap = 'gray')
plt.title('r3'), plt.xticks([]), plt.yticks([])

plt.show()
'''
(371, 355)
(186, 178)
(93, 89)
(47, 45)
'''

在这里插入图片描述

dst=cv.pyrUp(src[,st[,dstsize[,borderType]]])

dst：目标图像
scr：为原始图像
borderType：为边界类型，默认为BORDER_DEFAULT，默认情况下，输出图像的大小长宽为原图像的一半

img = cv.imread('./opencv_dataset/cv_1.jpg',0) # 灰色图像
r1 = cv.pyrUp(img)
r2 = cv.pyrUp(r1)
r3 = cv.pyrUp(r2)

print(img.shape)
print(r1.shape)
print(r2.shape)
print(r3.shape)
plt.subplot(1,4,1),plt.imshow(img,cmap = 'gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,2),plt.imshow(r1,cmap = 'gray')
plt.title('r1'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,3),plt.imshow(r2,cmap = 'gray')
plt.title('r2'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,4),plt.imshow(r3,cmap = 'gray')
plt.title('r3'), plt.xticks([]), plt.yticks([])

plt.show()
'''
(371, 355)
(742, 710)
(1484, 1420)
(2968, 2840)
'''

在这里插入图片描述

pyrDown原理
img_1 = np.random.randint(0,10,size=100,dtype=np.uint8) # 注意数据类型！！
img_1 = img_1.reshape(10,10)
img_1
'''
array([[1, 6, 9, 9, 5, 9, 2, 8, 2, 4],
       [4, 2, 5, 2, 2, 4, 6, 5, 6, 5],
       [9, 1, 8, 9, 4, 3, 8, 6, 1, 5],
       [0, 5, 5, 3, 5, 0, 7, 9, 7, 3],
       [2, 1, 3, 8, 5, 4, 8, 4, 2, 8],
       [3, 6, 9, 7, 9, 9, 9, 8, 4, 6],
       [8, 3, 8, 1, 6, 9, 9, 7, 1, 6],
       [7, 7, 4, 9, 3, 7, 7, 7, 3, 5],
       [4, 1, 7, 9, 3, 0, 4, 0, 5, 2],
       [3, 8, 0, 3, 6, 0, 4, 6, 7, 1]], dtype=uint8)
'''

r1 = cv.pyrDown(img_1)
r1
'''
array([[4, 5, 5, 5, 5],
       [4, 5, 4, 5, 5],
       [3, 5, 6, 6, 5],
       [5, 6, 6, 7, 5],
       [5, 5, 4, 4, 4]], dtype=uint8)
'''

手动生成高斯核

kernel = np.array([[1,4,6,4,1],
                   [4,16,24,16,4],
                   [6,24,36,24,6],
                   [4,16,24,16,4],
                   [1,4,6,4,1]])
kernel
'''
array([[ 1,  4,  6,  4,  1],
       [ 4, 16, 24, 16,  4],
       [ 6, 24, 36, 24,  6],
       [ 4, 16, 24, 16,  4],
       [ 1,  4,  6,  4,  1]])
'''

kernel = kernel/256
kernel
'''
array([[0.00390625, 0.015625  , 0.0234375 , 0.015625  , 0.00390625],
       [0.015625  , 0.0625    , 0.09375   , 0.0625    , 0.015625  ],
       [0.0234375 , 0.09375   , 0.140625  , 0.09375   , 0.0234375 ],
       [0.015625  , 0.0625    , 0.09375   , 0.0625    , 0.015625  ],
       [0.00390625, 0.015625  , 0.0234375 , 0.015625  , 0.00390625]])
'''

高斯核与原图像进行卷积

dst = cv.filter2D(img_1,-1,kernel)
dst
'''
array([[4, 4, 5, 5, 5, 5, 5, 5, 5, 4],
       [4, 4, 5, 5, 5, 5, 5, 5, 5, 4],
       [4, 4, 5, 5, 4, 5, 5, 6, 5, 4],
       [3, 4, 5, 5, 5, 5, 6, 6, 5, 5],
       [3, 4, 5, 6, 6, 6, 6, 6, 5, 5],
       [4, 5, 6, 6, 7, 7, 7, 6, 5, 5],
       [5, 5, 6, 6, 6, 7, 7, 6, 5, 4],
       [5, 5, 6, 6, 5, 6, 6, 5, 4, 4],
       [5, 5, 5, 5, 4, 4, 4, 4, 4, 4],
       [4, 4, 5, 5, 4, 3, 3, 4, 4, 4]], dtype=uint8)
'''

除去偶数行和偶数列

dst_2 = np.zeros((5,5),dtype=np.uint8)
for i in range(10):
    if i%2==0:
        for j in range(10):
            if j%2==0:
                dst_2[int(i/2),int(j/2)] = dst[i,j]
dst_2
'''
array([[4, 5, 5, 5, 5],
       [4, 5, 4, 5, 5],
       [3, 5, 6, 6, 5],
       [5, 6, 6, 7, 5],
       [5, 5, 4, 4, 4]], dtype=uint8)
'''

该结果与使用cv.pyrDown()的结果对比

dst_2 == r1
'''
array([[ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True]])
'''
pyrUp原理
dst_2
'''
array([[4, 5, 5, 5, 5],
       [4, 5, 4, 5, 5],
       [3, 5, 6, 6, 5],
       [5, 6, 6, 7, 5],
       [5, 5, 4, 4, 4]], dtype=uint8)
'''

我们先使用pyrUp()函数看一下结果

up_1 = cv.pyrUp(dst_2)
up_1
'''
array([[4, 5, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 5, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 6, 6, 6, 6, 5, 5],
       [4, 5, 5, 6, 6, 6, 6, 6, 5, 5],
       [5, 5, 6, 6, 6, 6, 6, 6, 5, 5],
       [5, 5, 5, 5, 5, 5, 5, 5, 5, 5],
       [5, 5, 5, 5, 4, 4, 4, 4, 4, 4],
       [5, 5, 5, 5, 4, 4, 4, 4, 4, 4]], dtype=uint8)
'''

向上采样时，每个像素的右侧、下方分别插入零列和零行

dst_3 = np.zeros((10,10),dtype=np.uint8)
for i in range(10):
    if i%2==0:
        for j in range(10):
            if j%2==0:
                dst_3[i,j] = dst_2[int(i/2),int(j/2)]
dst_3
'''
array([[4, 0, 5, 0, 5, 0, 5, 0, 5, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [4, 0, 5, 0, 4, 0, 5, 0, 5, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [3, 0, 5, 0, 6, 0, 6, 0, 5, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [5, 0, 6, 0, 6, 0, 7, 0, 5, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [5, 0, 5, 0, 4, 0, 4, 0, 4, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]], dtype=uint8)
'''

用向下采样时所使用的高斯滤波器对图像进行滤波

由于面积扩大四倍，且增加的部分都是0元素，整体均值会降为原来的1/4

为了确保像素值区间在向上采样后与原始图像保持一致，需要将高斯滤波器的系数乘以4

kernel = np.array([[1,4,6,4,1],
                   [4,16,24,16,4],
                   [6,24,36,24,6],
                   [4,16,24,16,4],
                   [1,4,6,4,1]])
kernel = kernel/256*4
kernel
'''
array([[0.015625, 0.0625  , 0.09375 , 0.0625  , 0.015625],
       [0.0625  , 0.25    , 0.375   , 0.25    , 0.0625  ],
       [0.09375 , 0.375   , 0.5625  , 0.375   , 0.09375 ],
       [0.0625  , 0.25    , 0.375   , 0.25    , 0.0625  ],
       [0.015625, 0.0625  , 0.09375 , 0.0625  , 0.015625]])
'''

进行高斯滤波

dst_4 = cv.filter2D(dst_3,-1,kernel)
dst_4
'''
array([[4, 4, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 5, 5, 5, 5, 5, 5],
       [4, 4, 5, 5, 6, 6, 6, 6, 5, 5],
       [4, 5, 5, 6, 6, 6, 6, 6, 5, 5],
       [5, 5, 6, 6, 6, 6, 6, 6, 5, 5],
       [5, 5, 5, 5, 5, 5, 5, 5, 5, 4],
       [5, 5, 5, 5, 4, 4, 4, 4, 4, 4],
       [5, 5, 5, 4, 4, 4, 4, 4, 4, 4]], dtype=uint8)
'''

该结果与使用cv.pyrUp()的结果对比

dst_4==up_1
'''
array([[ True, False,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True, False,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
        False],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True,
         True],
       [ True,  True,  True, False,  True,  True,  True,  True,  True,
         True]])
'''
#结果会有一些误差
采样可逆性

一幅图像先向下采样，再向上采样，虽然会恢复为原始大小，图像看起来相似，但是像素值是不一致的

import matplotlib.pyplot as plt
import cv2 as cv
img = cv.imread('E:/opencv/images/cameraman.tif',0) # 灰色图像

r1 = cv.pyrDown(img)
r2 = cv.pyrDown(r1)
r3 = cv.pyrDown(r2)

u1 = cv.pyrUp(r1)
u2 = cv.pyrUp(r2)
u3 = cv.pyrUp(r3)

plt.subplot(2,4,1),plt.imshow(img,cmap = 'gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,2),plt.imshow(r1,cmap = 'gray')
plt.title('r1'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,3),plt.imshow(r2,cmap = 'gray')
plt.title('r2'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,4),plt.imshow(r3,cmap = 'gray')
plt.title('r3'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,5),plt.imshow(img,cmap = 'gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,6),plt.imshow(u1,cmap = 'gray')
plt.title('u1'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,7),plt.imshow(u2,cmap = 'gray')
plt.title('u2'), plt.xticks([]), plt.yticks([])
plt.subplot(2,4,8),plt.imshow(u3,cmap = 'gray')
plt.title('u3'), plt.xticks([]), plt.yticks([])

plt.show()

在这里插入图片描述

图像看起来虽然相似，但是如我们将其相减，可以发现像素值是不一致的

L1 = cv.subtract(img,u1)
L2 = cv.subtract(r1,u2)
L3 = cv.subtract(r2,u3)

plt.subplot(1,3,1),plt.imshow(L1,cmap = 'gray')
plt.title('L1'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,2),plt.imshow(L2,cmap = 'gray')
plt.title('L2'), plt.xticks([]), plt.yticks([])
plt.subplot(1,3,3),plt.imshow(L3,cmap = 'gray')
plt.title('L3'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

拉普拉斯金字塔

拉普拉斯金字塔是由高斯金字塔构成的，没有专门的函数
拉普拉斯金字塔图像只像边缘图像,它的大部分元素都是0,用于图像压缩
Laplacian金字塔中的层次是由高斯金字塔中的层次与高斯金字塔中其上层次的扩展后的层次之差形成的
在这里插入图片描述
使用cv.pyrDown()和cv.pyrUp()构造拉普拉斯金字塔

img = cv.imread('E:/persional/matlab/images/lena.bmp',0) # 灰色图像
r0 = img
r1 = cv.pyrDown(img)
r2 = cv.pyrDown(r1)
r3 = cv.pyrDown(r2)
L0 = r0 - cv.pyrUp(r1)
L1 = r1 - cv.pyrUp(r2)
L2 = r2 - cv.pyrUp(r3)

print(L0.shape)
print(L1.shape)
print(L2.shape)
'''
(512, 512)
(256, 256)
(128, 128)
'''
plt.subplot(1,4,1),plt.imshow(img,cmap = 'gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,2),plt.imshow(L0,cmap = 'gray')
plt.title('L0'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,3),plt.imshow(L1,cmap = 'gray')
plt.title('L1'), plt.xticks([]), plt.yticks([])
plt.subplot(1,4,4),plt.imshow(L2,cmap = 'gray')
plt.title('L2'), plt.xticks([]), plt.yticks([])

plt.show()

在这里插入图片描述
拉普拉斯金子塔的作用在于，能够恢复高分辨率的图像

徐图图不糊涂
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于OpenCV图像金字塔处理C++程序
11-13
在VS环境下利用OpenCv对图像金字塔函数进行应用，本程序有助于理解图像金字塔函数。
OpenCV-图像金字塔
hw5230的博客
02-28 597
它返回一个Box2D结构，其中包含以下细节 -(中心(x,y)，(宽度，高度)，旋转角度)。例如，在图像拼接中，您需要将两个图像堆叠在一起，但是由于图像之间的不连续性，可能看起来不太好。例如，检查下面的手的图像。()函数中有三个参数，第一个是源图像，第二个是轮廓检索模式，第三个是轮廓逼近方法。每个单独的轮廓是一个(x,y)坐标的Numpy数组的边界点的对象。边缘检测虽然能够检测出边缘，但边缘是不连续的，图像轮廓是指将边缘连接起来形成一个整体，特征矩可以帮助您计算一些特征，例如物体的质心，物体的面积等。
win10+Python3.7.3+OpenCV3.4.1入门学习（十一 图像金字塔）————11.1 图像金字塔理论基础
qq_951274168的博客
12-22 490
Python版本是Python3.7.3，OpenCV版本OpenCV.3.4.1，开发环境为PyCharm 第11章 图像金字塔 图像金字塔是由一幅图像的多个不同分辨率的子图所构成的图像集合。该组图像是由单个图像通过不断地降采样所产生的，最小的图像可能仅仅有一个像素点。下图是一个图像金字塔的示例。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...
opencv——图形金字塔、轮廓、模板
syf的博客
02-03 1421
高斯金字塔，拉普拉斯金字塔，轮廓检测和近似，模板匹配
opencv基础45-图像金字塔01-高斯金字塔cv2.pyrDown()
最新发布
小海聊智造
08-08 2089
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。
OpenCV（8）：快速了解图像金字塔的概念以及代码实践
m0_50317149的博客
04-06 650
当我们使用相同的算法分析不同尺度的同一张图像时，可能会出现分析结果不尽相同的情况。因此，在进行图像处理和分析时，通常需要考虑不同尺度下的图像所展现的不同特征。此时需要用到图像金字塔对图像进行缩放。
基于Android的OpenCV图像金字塔的实现
03-03
OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，网络上一些小伙伴写的一些关于Android版OpenCV的博客，大部分都模糊不清，基本就复制粘贴的，有些甚至没有实践就直接贴上去了，这样...
【OpenCV入门教程之十三】OpenCV图像金字塔：高斯金字塔、拉普拉斯金字塔与图片尺寸缩放 - 【浅墨的游戏编程Blog】毛
08-03
摘要视图订阅分类：目录(?【OpenCV入门教程之十三】OpenCV图像金字塔：高斯金字塔、拉普拉斯金字塔与图片尺寸缩放55666人阅读评论(64)收藏举报本系
opencv实现图像金字塔
10-26
用opencv实现图像金字塔的完整工程，希望对大家有帮助
opencv 图像分割金字塔分割
05-16
金字塔图像分割，对于对比度明显的图片 可直接识别出想要的物体
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 4847
图像金字塔——高斯金字塔和拉普拉斯金字塔
opencv图像金字塔的介绍
ttt99908的博客
12-30 745
opencv图像金字塔原理的介绍
OpenCv之图像金字塔
weixin_64443786的博客
07-19 1094
OpenCv
OpenCV图像处理技术（Python）——图像金字塔
weixin_52243766的博客
06-21 954
© Fu Xianjun. All Rights Reserved. 一、理论基础 图像金字塔是同一图像不同分辨率的子图集合，是通过对原图像不断地向下采样而产生的，即由高分变率的图像（大尺寸）产生低分辨率的近似图像（小尺寸）。 · 邻域滤波器： 采用邻域平均技术求原始图像的近似图像。该滤波器能够产生平均金字塔。 · 高斯滤波器： 采用高斯滤波器对原始图像进行滤波，得到高斯金字塔。这是OpenCV函数cv2.pyrDown()所采用的方式。 代码如下： import cv2 import numpy as
OpenCV：08图像金字塔
m0_59466249的博客
07-24 1097
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且概念简单的结构。图像金字塔最初用于和，一幅图像的金字塔是一系列以金字塔形状排列的、且的。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，分辨率越低高斯金字塔固定了缩放比，即如果你是800×800的图，无法缩放成500×500我们将要学习用什么方法，如何去生成这些图像金字塔。......
opencv15:图像金字塔
uncle_ll的博客
10-25 291
目标 在本章中，将学习图像金字塔( Image Pyramids) 使用图像金字塔创建一个新的水果Orapple 函数：cv2.pyrUp()，cv2.pyrDown() 理论 通常，过去使用的是恒定大小的图像。但是在某些情况下，需要使用不同分辨率的（相同）图像。例如，当在图像中搜索某些东西（例如人脸）时，不确定对象将以多大的尺寸显示在图像中。在这种情况下，将需要创建一组具有不同分辨率的相同图像，并在所有图像中搜索对象。这些具有不同分辨率的图像集称为“图像金字塔”（因为当它们堆叠在底部时，最高分辨率的图
OpenCV入门（二十一）快速学会OpenCV 20 图像金字塔
小幽余生不加糖
03-25 886
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。高斯金字塔的向下采样过程是：对于给定的图像先做一次高斯平滑处理，也就是先对原始图像进行高斯内核卷积操作，然后对图像进行采样，去除图像中的偶数行和偶数列，然后得到一幅图像，对这幅图像再进行上述操作，就可以得到高斯金字塔。如果我们把最大的图像放在底部、最小的放在顶部，看起来就像一座金字塔，故而得名图像金字塔，如图所示。
OpenCV图像处理应用（面向Python）之图像金字塔
weixin_52272597的博客
06-05 2017
OpenCV图像处理应用（面向Python）欢迎来到梁老湿课堂1.图像金字塔 欢迎来到梁老湿课堂 美好的一天从学习开始，今天不学习明天变垃圾。让我们用编程为世界增添美好！（本次课程素材都来源于我的专业课老师小傅，他的课形象生动，他所掌握的知识点犹如大海一般，他最擅长用简单、通俗易懂的语言让我们记住知识点。我只是一个搬运工、打工人。我只是站在他的肩膀上发文章！） 1.图像金字塔 图像金字塔是由一幅图像的多个不同分辨率的子图所构成的图像集合。通过对原图像不断地向下采样而产生的，即高分辨率的图像（大尺寸）产生低分
Opencv之图像金字塔：高斯金字塔和拉普拉斯金字塔
修行之路
05-17 602
Opencv之图像金字塔：高斯金字塔和拉普拉斯金字塔
opencv图像金字塔
05-20
OpenCV中提供了两种类型的图像金字塔：高斯金字塔和拉普拉斯金字塔。 高斯金字塔是通过不断降采样来生成的，每一层的图像都是原图像的1/4大小。在生成高斯金字塔的过程中，先对原始图像进行高斯模糊，然后将模糊后...

“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