计算机视觉----opencv高级操作（上采样，下采样，拉普拉斯金字塔，图像数值的统计）
一、准备工作
1、前置代码：
import cv2
import numpy as np
from matplotlib import pyplot as pltdef cv_show(name, img):"""显示图像"""cv2.imshow(name, img)cv2.waitKey(0)2、图片准备
mm.jpg
motor.jpg
oidman.jpg
二、图片的上采样下采样
1、下采样（Downsampling）
下采样是降低图像分辨率的过程，通过减少图像像素数量，缩小图像尺寸，核心目的是减少计算量、节省存储，或为多尺度分析提供低分辨率图像。
核心步骤
预处理（抗混叠滤波）：先对原始图像进行低通滤波（如高斯滤波），抑制高频信号。若跳过此步，直接丢弃像素会导致混叠失真（如细线条变成 “摩尔纹”）。
像素采样：按固定间隔选取像素，生成低分辨率图像。最常用的是 “隔行隔列采样”（如 2 倍下采样时，保留图像中坐标为 (2i,2j) 的像素，i、j 为整数）。
示例
一张 1024×1024 的图像，经 2 倍下采样后，尺寸变为 512×512，像素数量减少为原来的 1/4。
2、上采样（Upsampling）
上采样是提升图像分辨率的过程，通过增加像素数量，放大图像尺寸，核心用于恢复低分辨率图像的细节，或配合下采样实现多尺度操作。
核心步骤
像素插值：在原有像素之间插入新像素，常用插值算法有：
nearest neighbor（最近邻插值）：直接复制相邻像素值，速度快但易产生 “块状失真”；
bilinear（双线性插值）：基于相邻 4 个像素的加权平均计算新像素，效果更平滑；
bicubic（双三次插值）：基于相邻 16 个像素的非线性加权计算，细节保留更优，但计算量更大。
后处理（可选）：部分场景会对插值后的图像进行滤波，进一步优化边缘平滑度。
示例
一张 512×512 的图像，经 2 倍上采样后，尺寸变为 1024×1024，但新增像素由插值生成，并非真实细节（需超分辨率算法进一步优化）。
3、拉普拉斯金字塔（Laplacian Pyramid）
拉普拉斯金字塔是一种多尺度图像表示结构，通过 “下采样 + 上采样” 的差值计算，存储图像的 “细节信息”，与存储 “低频轮廓” 的高斯金字塔配合使用。
核心原理
拉普拉斯金字塔（记为 L）的每一层，由高斯金字塔的当前层与上一层上采样后的图像的差值构成，公式可简化为：
L(i) = G(i) - UpSample(G(i+1))
其中：
G(i)：高斯金字塔的第 i 层（高分辨率，含轮廓 + 细节）；G(i+1)：高斯金字塔的第 i+1 层（G (i) 下采样后的低分辨率图像，仅含轮廓）；UpSample(G(i+1))：将 G (i+1) 上采样到与 G (i) 相同尺寸，仅恢复轮廓，无细节；差值
L(i)：即 G (i) 中独有的 “细节信息”（如边缘、纹理）。
核心作用
- 图像重建：若保留拉普拉斯金字塔的细节层（L (0)~L (n)）和高斯金字塔的最顶层（G (n)，最粗轮廓），可通过 “上采样 + 叠加细节” 恢复原始高分辨率图像；
- 图像融合 / 编辑：在不同尺度下处理细节（如融合两张图像的边缘、修复图像瑕疵），避免直接处理高分辨率图像的冗余计算；
- 图像压缩：拉普拉斯金字塔的细节层多为高频信号，可通过量化压缩，减少存储量。
示例代码：
motor = cv2.imread('oldman.jpg',cv2.IMREAD_GRAYSCALE)
# motor = cv2.resize(motor,(400,300))
cv_show('motor',motor)
motor_down_1 = cv2.pyrDown(motor)
cv_show('down_1',motor_down_1)
motor_down_2 = cv2.pyrDown(motor_down_1)
cv_show('down_2',motor_down_2)#上采样
motor_up_1 = cv2.pyrUp(motor)
cv_show('up_1',motor)
motor_up_2 = cv2.pyrUp(motor_up_1)
cv_show('up_2',motor_up_2)#下采样后上采样
motor_down_1_up = cv2.pyrUp(motor_down_1)
motor_down_2_up = cv2.pyrUp(motor_down_2)cv_show('down_1_up',motor_down_1_up)
cv_show('down_2_up',motor_down_2_up)#拉普拉斯金字塔
L0 = motor - motor_down_1_up
L1 = motor_down_1 - motor_down_2_upfuyuan = motor_down_1_up + L0
cv_show('L0',L0)
cv_show('L1',L1)
cv_show('fuyuan',fuyuan)
cv_show('fuyuan',fuyuan)
这里用的是oldman.jpg而不是motor.jpg，用motor.jpg会报错，因为在图像像素值为奇数时，下采样后再过采样的结果会添加一个像素，和原图不同
三、图像的数值统计
cv2.calcHist(images,channels,mask,histSize,ranges) 计算图像的直方图，用于表示图像中像素灰度级别的分布情况。
images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [ ] 括来例如[img]
channels: 表示传入的图像通道数。如果输入图像是灰度图它的值就是 [0]。
如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
mask: 掩模图像。统计整幅图像的直方图就把它为None。但是如果你想统计图像某一部分的直方图，你就制作一个掩模图像并使用它。
histSize:BINS的数目，也需用中括号括来 （分成多少个区间）
BINS ：上面的直方图显示了每个像素值的像素数，即从0到255。即您需要256个值才能显示上述直方图。
但是请考虑一下，如果您不需要单独地查找所有像素值的像素数，而是在像素值间隔内查找像素数，
该怎么办？例如，您需要找到介于 0 到 15 之间的像素数，然后是 16 到 31、32到47....、240 到 255。
您只需要 16 个值来表示直方图。
因此，只需将整个直方图拆分为 16 个子部分，每个子部分的值就是其中所有像素计数的总和。
这个子部分都称为“BIN”。在第一种情况下，条形数为256（每个像素一个），而在第二种情况下，它只有16。BINS 在 OpenCV 文档中由术语histSize表示。
ranges：像素值范围[0 256]
示例代码：
img = cv2.imread('mm.jpg',cv2.IMREAD_GRAYSCALE)
#转化为一堆数据
a= img.ravel()
#将多维数组转化为一维数组
plt.hist(a,bins=256)#使用bins绘制直方图
#a：一维数组，bins=256：指定直方图的条数
plt.show()
img_hist = cv2.calcHist([img],[0],None,[16],[0,256])
plt.plot(img_hist)#使用calchist绘制曲线图
plt.show()img = cv2.imread('mm.jpg')
color = ('b','g','r')
for i,col in enumerate(color):histr = cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color=col)
plt.show()RGB三个通道的数值不同颜色绘图：
