opencv学习（图像金字塔）

1.什么是图像金字塔

图像金字塔是一种多尺度图像表示方法，通过对原始图像进行下采样（缩小）和上采样（放大），生成一系列不同分辨率的图像集合，形似 “金字塔”（底部是高分辨率原始图像，向上逐渐变为低分辨率图像）。

2.核心作用

多尺度分析：不同分辨率的图像适用于检测不同大小的目标（如大目标在低分辨率图像中更易识别，小目标需要高分辨率）。

图像融合：结合不同尺度的图像信息（如拉普拉斯金字塔可无缝融合两张图像的细节）。

降维与压缩：低分辨率图像数据量小，便于快速处理和存储。

特征提取：在多个尺度上提取特征（如 SIFT 特征依赖金字塔实现尺度不变性）。

3.常见的2种操作方法

高斯金字塔，拉普拉斯金字塔

（1）高斯金字塔

是最常见的类型，通过下采样和上采样操作生成，核心是高斯模糊（平滑）和降采样。

下采样（缩小图像）：cv2.pyrDown()

上采样（放大图像）：cv2.pyrUp()

如代码示例：

img=cv2.imread('aiye.jpg')
def cv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
cv_show('aiye',img)
print(img.shape)
#高斯金字塔（向下采样（图像缩小），向上采样（图像放大，矩阵添0））up1=cv2.pyrUp(img)
cv_show('up1',up1)
print(up1.shape)down1=cv2.pyrDown(img)
cv_show('down1',down1)
print(down1.shape)'''
先执行上采样再执行下采样，或者先下后上都是无法恢复到原图的
'''

（2）拉普拉斯金字塔

基于高斯金字塔构建，用于保留图像下采样过程中丢失的细节，核心是 “原始图像与上采样后的下采样图像的差值”。

计算方式：
公式：Li​=Gi​−pyrUp(pyrDown(Gi)​)

如代码示例：

up2=cv2.pyrUp(down1)
'''
img 和 up2 的尺寸不同（一个是 (299,299,3)，另一个是 (300,300,3)），无法进行减法运算（lap=img-up2）,
则先让两个图像的尺寸大小一致了再进行减法。要么改img要么改up2
'''
up2_rs=cv2.resize(up2,(img.shape[1],img.shape[0]))
lap=img-up2_rs
cv_show('lap',lap)
print(lap.shape)