OpenCV进阶操作：图像金字塔

文章目录

前言
一、图像金字塔
- 1、什么是图像金字塔
- 2、金字塔类型
- - [1）高斯金字塔 (Gaussian Pyramid)](#1）高斯金字塔 (Gaussian Pyramid))
  - 2）拉普拉斯金字塔 (Laplacian Pyramid)
- 3、图像金字塔的作用
二、图像金字塔中的操作
三、代码实现
总结

前言

在计算机视觉领域，图像金字塔是一种重要的多尺度表示方法。通过构建图像金字塔，我们可以高效地处理不同分辨率下的图像特征。OpenCV作为最流行的计算机视觉库，提供了便捷的图像金字塔实现方法。本文将深入解析图像金字塔的原理，并通过Python代码演示其实际应用

一、图像金字塔

1、什么是图像金字塔

图像金字塔是通过对原始图像进行多尺度**下采样（缩小）和上采样（放大）**得到的图像集合。其名称来源于金字塔状的分层结构，每一层都是对前一层分辨率按比例缩放的结果。这种结构可以帮助我们在不同尺度下分析图像特征，常用于目标检测、图像融合等任务。

2、金字塔类型

1）高斯金字塔 (Gaussian Pyramid)

原理：通过不断进行高斯模糊和下采样生成

向下采样（缩小）：

应用高斯滤波器（5×5卷积核）

删除偶数行和列（分辨率减半）

向上采样（放大）：

将图像尺寸扩大两倍（新增像素初始化为0）

应用高斯滤波器进行近似插值

2）拉普拉斯金字塔 (Laplacian Pyramid)

原理：通过高斯金字塔不同层级的差值构建，用于图像重建
公式：L_i = G_i - PyrUp(G_{i+1})
存储的是不同尺度下的细节信息

3、图像金字塔的作用

特征点提取

图像金字塔允许在不同尺度下检测特征点，提高特征点检测的尺度不变性。

模板匹配

图像金字塔帮助处理不同尺度的模板匹配问题，提高匹配的准确性。

光流跟踪

通过在不同尺度层中估计光流，图像金字塔帮助处理大范围的运动，提高光流估计的精度。

二、图像金字塔中的操作

1、向下采样

向金字塔顶部移动时，图像的尺寸和分辨率都不断地降低。通常情况下，每向上移动一级，图像的宽和高都降低为原来的1/2。

步骤

高斯滤波（减少高频噪声）
删除其偶数行和偶数列（所以所用图像一般高宽都是偶数）
OpenCV函数cv2.pyrDown()

2、向上采样

通常将图像的宽度和高度都变为原来的2倍。这意味着，向上采样的结果图像的大小是原始图像的4倍。因此，要在结果图像中补充大量的像素点。对新生成的像素点进行赋值的行为，称为插值。

步骤

插值
高斯滤波（减少由于插值产生的人工边界和不自然的过渡）
OpenCV函数cv2.pyrUp()

3、拉普拉斯金字塔

为了在向上采样是能够恢复具有较高分辨率的原始图像，就要获取在采样过程中所丢失的信息，这些丢失的信息就构

成了拉普拉斯金字塔。也是拉普拉斯金字塔是有向下采样时丢失的信息构成。

4、结论

通过以上分析可知，向上采样和向下采样是相反的两种操作。但是，由于向下采样会丢失像素值，所以这两种操作并不

是可逆的。也就是说，对一幅图像先向上采样、再向下采样，是无法恢复其原始状态的；同样，对一幅图像先向下采样、

再向上采样也无法恢复到原始状态。

三、代码实现

关键API说明
cv2.pyrDown(src)：向下采样
cv2.pyrUp(src)：向上采样
注意：pyrUp不是pyrDown的完美逆运算，会丢失部分信息。

1、高斯金字塔向下采样

使用cv2.pyrDown()函数实现向下采样

python 复制代码

import cv2
import numpy as np
from matplotlib import pyplot as plt
def cv_show(name,image):
    cv2.imshow(name,image)
    cv2.waitKey(0)
'''------------高斯金字塔操作中的向下采样-------------'''

face = cv2.imread('pyy.jpg',cv2.IMREAD_GRAYSCALE)#G0
cv_show('face',face)
face_down_1 = cv2.pyrDown(face)#下采样G1
cv_show('down_1',face_down_1)
face_down_2 = cv2.pyrDown(face_down_1)
cv_show('down_2',face_down_2)

可以看出逐层递减的效果非常明显

2、高斯金字塔向上采样

python 复制代码

```python
import cv2  # opencv读取的格式是BGR2
 
# 高斯金字塔操作中的向上采样
# dst = cv2.pyrUp(src [,dst, dstsize [, borderType] ])
# dst:目标图像
# #src:原始图像
# dstsize:目标图像的大小
face = cv2.imread('face.jpg')  # G0
face = cv2.resize(face, (400, 400))
cv2.imshow('face', face)
cv2.waitKey(0)
face_up_1 = cv2.pyrUp(face)
cv2.imshow('face_up_1', face_up_1)  # G1
cv2.waitKey(0)
face_up_2 = cv2.pyrUp(face_up_1)
cv2.imshow('face_up_2', face_up_2)  # G2
cv2.waitKey(0)
cv2.destroyAllWindows()

向上采样之后的图像宽高逐层变成2倍

3、向下采样再向上采样

对下采样后图像进行上采样,图像变模糊，无法复原
对上采样后图像进行下采样,图像变模糊，无法复原

python 复制代码

face_down_1_up = cv2.pyrUp(face_down_1)  # 下采样G1
face_up_1_down = cv2.pyrDown(face_up_1)  # 上采样G1
cv2.imshow('yuantu', face)
cv2.imshow('down_1_up', face_down_1_up)
cv2.imshow('up_1_down', face_up_1_down)
cv2.waitKey(0)
cv2.destroyAllWindows()

处理后的图像与原图相比变得模糊

4、拉普拉斯金字塔

python 复制代码

L0 = face - face_down_1_up
L1 = face_down_1 - face_down_2_up

fuyuan = face_down_1_up + L0
cv_show('L0',L0)
cv_show('l1',L1)
cv_show('fuyuan',fuyuan)

可以看到拉普拉斯金字塔的复原效果还是不错的
我这里使用的是彩色图片，所以拉普拉斯图像是彩色的
如果使用的图片是灰度图，那么就是黑白的

总结

图像金字塔为多尺度图像处理提供了高效解决方案。通过OpenCV的简单API，我们可以轻松实现：

创建不同分辨率的图像层级
提取多尺度特征
实现自然的图像融合效果

实际开发中，金字塔技术常与特征检测算法（如SIFT、ORB）结合使用。读者可以尝试调整金字塔层数，或结合边缘检测算法探索更多应用场景

OpenCV进阶操作：图像金字塔

文章目录

前言

一、图像金字塔

1、什么是图像金字塔

2、金字塔类型

1） 高斯金字塔 (Gaussian Pyramid)

2）拉普拉斯金字塔 (Laplacian Pyramid)

3、图像金字塔的作用

二、图像金字塔中的操作

1、向下采样

步骤

2、向上采样

步骤

3、拉普拉斯金字塔

4、结论

三、代码实现

1、高斯金字塔向下采样

2、高斯金字塔向上采样

3、向下采样再向上采样

4、拉普拉斯金字塔

总结

1）高斯金字塔 (Gaussian Pyramid)