1，高斯金字塔

向下采样方法(缩小)，越采样越小，即从金字塔底部向上采样

cv2.pyrDown(img)
在这里插入图片描述

向上采样方法(放大)，越采样越大，即从金字塔顶部向下采样

cv2.pyrUp(img)
在这里插入图片描述

import cv2
import numpy as npdef show_photo(name,picture):cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()#原图
img = cv2.imread('E:\Jupyter_workspace\study\data/test2.png')
show_photo('img',img)
print(img.shape)#结果为：(260, 200, 3)#放大
up = cv2.pyrUp(img)
show_photo('up',up)
print(up.shape)#结果为：(520, 400, 3)#缩小
down = cv2.pyrDown(img)
show_photo('down',down)
print(down.shape)#结果为：(130, 100, 3)#先放大再缩小
up = cv2.pyrUp(img)
up_down = cv2.pyrDown(up)
show_photo('up_down',up_down)
print(up_down.shape))#结果为：(260, 200, 3)#先缩小再放大
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
show_photo('down_up',down_up)
print(down_up.shape)#结果为：(260, 200, 3)#将原图、先放大再缩小、先缩小再放大进行比较
res = np.hstack((img,up_down,down_up))#vstack纵向比较
show_photo('img  up_down  down_up',res)

效果如下：
原图、先放大再缩小、先缩小再放大进行比较
在这里插入图片描述
虽然先放大再缩小或者先缩小再放大都和原图大小一样，但是实则清晰度已经变了，已经丢了很多数据了

2，拉普拉斯金字塔

在这里插入图片描述
Gi为原图像数据，即img
PyrUp(PyrDown(Gi))对原图像先up再down
然后用原图像Gi减去PyrUp(PyrDown(Gi))

首先，G0为原图先进行低通滤波和缩小尺寸操作得到G1，G1再进行放大尺寸得到E1，然后，G0-E1得到LP1，即与上述公式效果一致
cv2.pyrDown(img)缩小
cv2.pyrUp(img)放大

import cv2
import numpy as npdef show_photo(name,picture):cv2.imshow(name,picture)cv2.waitKey(0)cv2.destroyAllWindows()img = cv2.imread('E:\Jupyter_workspace\study\data/test2.png')
down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)#先缩小再放大
lpls = img-down_up
show_photo('lpls',lpls)