当前位置：首页 > news >正文

OpenCV进阶操作：图像金字塔

news 来源：原创 2025/6/11 10:23:59

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

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。
在这里插入图片描述

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。
在这里插入图片描述

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

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
在这里插入图片描述

2、高斯金字塔向上采样


```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

在这里插入图片描述

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

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

L0 = face - face_down_1_up
L1 = face_down_1 - face_down_2_upfuyuan = 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