OpenCV - Python quickstart (8) : image pyramid

OpenCV-Python快速入門（八）：圖像金字塔

• • 前言
  • 前提條件
  • 實驗環境
  • 圖像金字塔
  • • 高斯金字塔
    • • cv2.pyrDown()Implementing an Image Pyramid
      • cv2.pyrUp()Implementing an Image Pyramid
    • 拉普拉斯金字塔
    • • cv2.pyrDown()和 cv2.pyrUp()構造拉普拉斯金字塔
      • 應用：Restore high-resolution images
  • 參考文獻

前言

• 本文是個人快速入門OpenCV-Python的電子筆記,由於水平有限,難免出現錯漏,敬請批評改正.

• cv2.pyrUp()Implementing an Image Pyramid

  import cv2
  import numpy as np
  img1=cv2.imread("1.jpg")
  img1_resize=cv2.resize(img1,(50,50))
  ''' dst = cv2.pyrUp( src[, dstsize[, borderType]] ) 參數說明： dst 為目標圖像. src 為原始圖像. dstsize 為目標圖像的大小. borderType 為邊界類型 , 默認值為BORDER_DEFAULT , 且這裡僅支持BORDER_DEFAULT. '''
  r1=cv2.pyrUp(img1_resize)
  r2=cv2.pyrUp(r1)
  r3=cv2.pyrUp(r2)
  cv2.imshow("origin",img1_resize)
  cv2.imshow("r1",r1)
  cv2.imshow("r2",r2)
  cv2.imshow("r3",r3)
  cv2.waitKey()
  cv2.destroyAllWindows()
  

  

  拉普拉斯金字塔

  • 一幅圖像在經過向下采樣後,再對其進行向上采樣,是無法恢復為原始狀態的.
  • 向上采樣並不是向下采樣的逆運算.這是很明顯的,因為向下采樣時在使用高斯濾波器處理後還要拋棄偶數行和偶數列,不可避免地要丟失一些信息.
  • 為了在向上采樣時能夠恢復具有較高分辨率的原始圖像,就要獲取在采樣過程中所丟失的信息,這些丟失的信息就構成了拉普拉斯金字塔.
  • Laplace's Pyramid is defined as L i = G i − p y r U p ( G i + 1 ) L_i = G_i - pyrUp(G_i + 1) Li​=Gi​−pyrUp(Gi​+1)其中, L i L_i Li​ 表示拉普拉斯金字塔中的第 i i i層. G i G_i Gi​表示高斯金字塔中的第 i i i層.
    

  cv2.pyrDown()和 cv2.pyrUp()構造拉普拉斯金字塔

  import cv2
  import numpy as np
  img1=cv2.imread("1.jpg")
  img1_resize=cv2.resize(img1,(400,400))
  ''' dst = cv2.pyrDown( src[, dstsize[, borderType]] ) dst = cv2.pyrUp( src[, dstsize[, borderType]] ) 參數說明： dst 為目標圖像. src 為原始圖像. dstsize 為目標圖像的大小. borderType 為邊界類型 , 默認值為BORDER_DEFAULT , 且這裡僅支持BORDER_DEFAULT. '''
  G0=img1_resize
  G1=cv2.pyrDown(G0)
  G2=cv2.pyrDown(G1)
  G3=cv2.pyrDown(G2)
  L0=G0-cv2.pyrUp(G1)
  L1=G1-cv2.pyrUp(G2)
  L2=G2-cv2.pyrUp(G3)
  cv2.imshow("L0",L0)
  cv2.imshow("L1",L1)
  cv2.imshow("L2",L2)
  cv2.waitKey()
  cv2.destroyAllWindows()
  

  

  應用：Restore high-resolution images

  import cv2
  import numpy as np
  img1=cv2.imread("1.jpg")
  img1_resize=cv2.resize(img1,(400,400))
  ''' dst = cv2.pyrDown( src[, dstsize[, borderType]] ) dst = cv2.pyrUp( src[, dstsize[, borderType]] ) 參數說明： dst 為目標圖像. src 為原始圖像. dstsize 為目標圖像的大小. borderType 為邊界類型 , 默認值為BORDER_DEFAULT , 且這裡僅支持BORDER_DEFAULT. '''
  G0=img1_resize
  G1=cv2.pyrDown(G0)
  L0=G0-cv2.pyrUp(G1)
  RO=L0+cv2.pyrUp(G1) # 通過拉普拉斯圖像復原的原始圖像
  print("GO.shape=",G0.shape)
  print("RO.shape=",RO.shape)
  res=RO-G0 # 將 G0 和 RO 做減法運算
  # 計算 res 的絕對值,避免求和時負負為正,3+(-3)=0
  res=abs(res)
  # 計算 res 所有元素的和
  print("原始圖像 GO 與恢復圖像 RO 之差的絕對值和：",np.sum(res))
  cv2.imshow("Origin_img_G0",G0)
  cv2.imshow("Laplacian_img_L0",L0)
  cv2.imshow("Restore_img_RO",RO)
  cv2.waitKey()
  cv2.destroyAllWindows()
  

  
  

  參考文獻

  [1] https://opencv.org/
  [2] 李立宗. OpenCV輕松入門：面向Python. 北京： 電子工業出版社,2019

  • 更多精彩內容,可點擊進入
    OpenCV-Python快速入門專欄或我的個人主頁查看