Python+OpenCV：图像金字塔

绝地灬酷狼 2022-12-21 04:51 224阅读 0赞

## Python+OpenCV：图像金字塔 ##

### 理论 ###

通常情况下，我们使用固定大小的图像。但在某些情况下，我们需要处理(相同的)不同分辨率的图像。

例如，当搜索图像中的某些东西时，比如脸，我们不确定该物体在图像中呈现的大小。

在这种情况下，我们将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合被称为图像金字塔(因为当它们被保存在一个堆栈中，最高分辨率的图像在底部，最低分辨率的图像在顶部，它看起来像一个金字塔)。

图像金字塔有两种：1)Gaussian 金字塔；2)Laplacian 金字塔

Gaussian金字塔中的高水平(低分辨率)是通过去除低水平(高分辨率)图像中连续的行和列而形成的。然后，利用下一层5个像素的高斯权值贡献，形成上一层的每个像素。

这样，一个M×N的图像就变成了M/2×N/2的图像。所以面积减少到原来的1 / 4。它被称为倍频。当我们进入金字塔的上部时，同样的模式继续(即分辨率降低)。

同样地，当扩展时，每层面积将变成4倍。我们可以使用cvv.pyrdown()和cvv.pyrup()函数找到高斯金字塔。

Laplacian金字塔是由Gaussian金字塔构成的。它没有专门的功能。Laplacian金字塔图像只是像边缘图像。它的大多数元素都是0。它们被用于图像压缩。

Laplacian金字塔中的层次是由Gaussian金字塔中的层次与Gaussian金字塔中上层层次的扩展形式的差而形成的。

### 示例 ###

####################################################################################################
    # 图像金字塔(Image Pyramids)
    def lmc_cv_image_pyramids():
        """
            函数功能: 图像金字塔(Image Pyramids).
        """
    
        # 读取图像
        image = lmc_cv.imread('D:/99-Research/Python/Image/Lena.jpg')
        image = lmc_cv.cvtColor(image, lmc_cv.COLOR_RGB2BGR)
    
        # 图像金字塔(Image Pyramids)
        pyr_down_image1 = lmc_cv.pyrDown(image)
        pyr_down_image2 = lmc_cv.pyrDown(pyr_down_image1)
        pyr_down_image3 = lmc_cv.pyrDown(pyr_down_image2)
        pyr_down_image4 = lmc_cv.pyrDown(pyr_down_image3)
        pyr_down_image5 = lmc_cv.pyrDown(pyr_down_image4)
    
        # 显示图像
        pyplot.figure('Image Display')
        titles = ['Original Image', 'Down Pyramids 1', 'Down Pyramids 2', 'Down Pyramids 3', 'Down Pyramids 4',
                  'Down Pyramids 5']
        images = [image, pyr_down_image1, pyr_down_image2, pyr_down_image3, pyr_down_image4, pyr_down_image5]
        for i in range(6):
            pyplot.subplot(2, 3, i + 1)
            pyplot.imshow(images[i], 'gray')
            pyplot.title(titles[i])
            pyplot.xticks([])
            pyplot.yticks([])
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70][]

### 图像金字塔融合(Image Pyramids Blending) ###

####################################################################################################
    # 图像金字塔融合(Image Pyramids Blending)
    def lmc_cv_image_pyramids_blending():
        """
            函数功能: 图像金字塔融合(Image Pyramids Blending).
        """
    
        # 读取图像
        image1 = lmc_cv.imread('D:/99-Research/Python/Image/apple.jpg')
        image2 = lmc_cv.imread('D:/99-Research/Python/Image/orange.jpg')
        image1 = lmc_cv.cvtColor(image1, lmc_cv.COLOR_RGB2BGR)
        image2 = lmc_cv.cvtColor(image2, lmc_cv.COLOR_RGB2BGR)
    
        # 图像金字塔融合(Image Pyramids Blending)
        # generate Gaussian pyramid for image1
        copy_image = image1.copy()
        gp_image1 = [copy_image]
        for i in range(6):
            copy_image = lmc_cv.pyrDown(copy_image)
            gp_image1.append(copy_image)
    
        # generate Gaussian pyramid for image2
        copy_image = image2.copy()
        gp_image2 = [copy_image]
        for i in range(6):
            copy_image = lmc_cv.pyrDown(copy_image)
            gp_image2.append(copy_image)
    
        # generate Laplacian Pyramid for image1
        lp_image1 = [gp_image1[5]]
        for i in range(5, 0, -1):
            ge_image = lmc_cv.pyrUp(gp_image1[i])
            lp_image = lmc_cv.subtract(gp_image1[i - 1], ge_image)
            lp_image1.append(lp_image)
    
        # generate Laplacian Pyramid for image2
        lp_image2 = [gp_image2[5]]
        for i in range(5, 0, -1):
            ge_image = lmc_cv.pyrUp(gp_image2[i])
            lp_image = lmc_cv.subtract(gp_image2[i - 1], ge_image)
            lp_image2.append(lp_image)
    
        # Now add left and right halves of images in each level
        ls_image = []
        for la, lb in zip(lp_image1, lp_image2):
            rows, cols, dpt = la.shape
            ls = np.hstack((la[:, 0:cols // 2], lb[:, cols // 2:]))
            ls_image.append(ls)
    
        # now reconstruct
        reconstruct_image = ls_image[0]
        for i in range(1, 6):
            reconstruct_image = lmc_cv.pyrUp(reconstruct_image)
            reconstruct_image = lmc_cv.add(reconstruct_image, ls_image[i])
    
        # image with direct connecting each half
        real_image = np.hstack((image1[:, :cols // 2], image2[:, cols // 2:]))
    
        # 显示图像
        pyplot.figure('Image Display')
        titles = ['Original Image 1', 'Original Image 2', 'Image Pyramids Blending', 'Image Direct Blending']
        images = [image1, image2, reconstruct_image, real_image]
        for i in range(4):
            pyplot.subplot(2, 2, i + 1)
            pyplot.imshow(images[i], 'gray')
            pyplot.title(titles[i])
            pyplot.xticks([])
            pyplot.yticks([])
        pyplot.show()
    
        # 根据用户输入保存图像
        if ord("q") == (lmc_cv.waitKey(0) & 0xFF):
            # 销毁窗口
            pyplot.close()
        return

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70]: /images/20221120/acd4c3e559e64487989c086abc711586.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201114212909132.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdWJpbmc4NjA5,size_16,color_FFFFFF,t_70