基于OpenCv的图像金字塔

⚠申明: 未经许可,禁止以任何形式转载,若要引用,请标注链接地址。 全文共计3077字,阅读大概需要3分钟
🌈更多学习内容, 欢迎👏关注👀【文末】我的个人微信公众号:不懂开发的程序猿
个人网站:https://jerry-jy.co/

❗❗❗知识付费,🈲止白嫖,有需要请后台私信或【文末】个人微信公众号联系我

基于OpenCv的图像金字塔

  • 基于OpenCv的图像金字塔
    • 任务需求
    • 任务目标
      • 1、掌握图像高斯金字塔
      • 2、掌握图像拉普拉斯金字塔
      • 3、掌握图像使用拉普拉斯金字塔进行图像融合
    • 任务环境
      • 1、jupyter开发环境
      • 2、OpenCv
      • 3、python3.6
    • 任务实施过程
      • 一、高斯金字塔
        • 1.高斯金字塔:向下采样方法(缩小)
        • 2.高斯金字塔:向上采样方法(放大)
        • 3.将图像下采样后上采样与原图对比
      • 二、拉普拉斯金字塔
      • 三、图像融合
        • 1.读入两幅图像,苹果和橘子
        • 2.构建苹果和橘子的高斯金字塔(5 层)
        • 3.根据高斯金字塔计算拉普拉斯金字塔
        • 4.在拉普拉斯的每一层进行图像融合(苹果的左边与橘子的右边融合)
        • 5.根据融合后的图像金字塔重建原始图像。
      • 四、任务小结
  • 说明

基于OpenCv的图像金字塔

任务需求

一般情况下,我们要处理是一幅具有固定分辨率的图像。但是特别情况下我们需要对同一个图像的不同分辨率的子图像进行处理,所以我们需要创建一组图像,这些图像是具有不同分辨率的原始图像。我们把这组图像叫做图像金字塔。

在这里插入图片描述
图像金字塔主要解决图像分析尺度问题的,许多图像分析任务,包括超分辨、目标检测等等都是一种很重要的手段。例如在目标检测领域,图像中的物体通常很可能是远近不一,大小不一的,可以利用金字塔来检测不同尺度下的物体。

在这里插入图片描述

金字塔的另一种应用是图像融合。

在这里插入图片描述

任务目标

1、掌握图像高斯金字塔

2、掌握图像拉普拉斯金字塔

3、掌握图像使用拉普拉斯金字塔进行图像融合

任务环境

1、jupyter开发环境

2、OpenCv

3、python3.6

任务实施过程

一、高斯金字塔

图像金字塔中的向上和向下采样分别通过OpenCV函数 pyrUp 和 pyrDown 实现。

  • 对图像向上采样:cv2.pyrUp(img)
  • 对图像向下采样:pyrDown(img)
1.高斯金字塔:向下采样方法(缩小)
import cv2 # 导入opencv
import matplotlib.pyplot as plt # 导入绘图模块
import numpy as np # 导入numpy库
from utils import im_show # 导入显示图像函数
# 绘制图像直接展示,不用调用plt.show()
%matplotlib inline 
# 用来正常显示中文标签
plt.rc('font',family="SimHei")
# 读取图像,显示图像并查看原始图像尺寸
kenan = cv2.imread(r'./experiment/data/kenan.jpg')
print('原图像尺寸:',kenan.shape)
im_show('原图像',kenan)

在这里插入图片描述

# 高斯金字塔:向下采样
down=cv2.pyrDown(kenan)
print('图像向下采样后尺寸:',down.shape)
im_show('原图像向下采样',down)

在这里插入图片描述

2.高斯金字塔:向上采样方法(放大)
# 高斯金字塔:向上采样
up=cv2.pyrUp(kenan)
print('图像向上采样后尺寸:',up.shape)
im_show('原图像向上采样',up)

在这里插入图片描述

3.将图像下采样后上采样与原图对比
# 先将图像下采样两次
down1=cv2.pyrDown(kenan)
down2=cv2.pyrDown(down1)
# 再将得到的下采样图像上采样两次
up1=cv2.pyrUp(down2)
up2=cv2.pyrUp(up1)
plt.figure(figsize=(10,6))
im_show('原图像与图像下采样、上采样后图像对比',np.hstack((kenan,up2)))

在这里插入图片描述

将图像先下采样(缩小图像)再上采样(放大图像),在这个过程中也因此丢失了一些信息。得到的图像有些失真。

二、拉普拉斯金字塔

拉普拉斯金字塔是通过原图像减去先缩小后再放大的图像的一系列图像构成的。

# 先将图像下采样,再将图像上采样
down3=cv2.pyrDown(kenan)
down_up=cv2.pyrUp(down3)
# 拉普拉斯金字塔图像
l_1=kenan-down_up
plt.figure(figsize=(10,6))
im_show('原图像与拉普拉斯金字塔图像',np.hstack((kenan,l_1)))

在这里插入图片描述

三、图像融合

图像金字塔的一个典型应用是图像融合。
图像融合的目的就是使两幅图像的重叠区域过渡自然且平滑。但是由于连接区域图像像素的不连续性,直接将两幅图像拼接的效果看起来会很差。图像拉普拉斯金字塔可以不同图像的特征与细节融合在一起,实现无缝连接。

1.读入两幅图像,苹果和橘子
apple = cv2.imread(r'./experiment/data/apple.jpg')
orange = cv2.imread(r'./experiment/data/orange.jpg')
plt.figure(figsize=(10,6))
im_show('待融合图片',np.hstack((apple,orange)))

在这里插入图片描述

2.构建苹果和橘子的高斯金字塔(5 层)
# 为苹果生成高斯金字塔
G1 = apple.copy()
gpA = [G1]
plt.figure(figsize=(10,6))
# 创建一个2行3列子图,子图标签分别表示图像金字塔层数
plt.subplot(2,3,1)
im_show('0',apple)
for i in range(5):plt.subplot(2,3,i+2)G1 = cv2.pyrDown(G1)im_show(i+1,G1)gpA.append(G1)

在这里插入图片描述

# 为橘子生成高斯金字塔
G2 = orange.copy()
gpB = [G2]
plt.figure(figsize=(10,6))
# 创建一个2行3列子图,子图标签分别表示图像金字塔层数
plt.subplot(2,3,1)
im_show('0',orange)
for i in range(5):plt.subplot(2,3,i+2)G2 = cv2.pyrDown(G2)im_show(i+1,G2)gpB.append(G2)

在这里插入图片描述

3.根据高斯金字塔计算拉普拉斯金字塔
# 为苹果生成拉普拉斯金字塔
# lpA/lpB存储的是金字塔一上一下之间的“信息差”
# cv2.subtract(src1, src2)表示图像减法src1-src2
lpA = [gpA[5]]
plt.figure(figsize=(10,6))
plt.subplot(2,3,6)
im_show('5',gpA[5])
for i in range(5,0,-1):# 先将其上采样GE = cv2.pyrUp(gpA[i])# 将高斯上一层的图像减去高斯下一层图像上采样的结果L = cv2.subtract(gpA[i-1],GE)plt.subplot(2,3,i)im_show(i-1,L)lpA.append(L)

在这里插入图片描述

# 为橘子生成拉普拉斯金字塔
lpB = [gpB[5]]
plt.figure(figsize=(10,6))
plt.subplot(2,3,6)
im_show('5',gpB[5])
for i in range(5,0,-1):GE = cv2.pyrUp(gpB[i])L = cv2.subtract(gpB[i-1],GE)plt.subplot(2,3,i)im_show(i-1,L)lpB.append(L)

在这里插入图片描述

拉普拉斯金字塔的每一层的含义是,高斯金字塔每一层缩小后又放大到原尺寸所丢失的信息。

4.在拉普拉斯的每一层进行图像融合(苹果的左边与橘子的右边融合)
# 现在在每个级别中添加左右一半的图像
# 不补充“信息差”的情况下,直接hstack金字塔每一层
LS = []
i=1
plt.figure(figsize=(10,6))
for la,lb in zip(lpA,lpB):# 获得每一层图像的大小rows,cols,dpt = la.shape# 使用np.hstack()将图像进行水平拼接ls = np.hstack((la[:,0:int(cols/2)], lb[:,int(cols/2):]))plt.subplot(2,3,7-i)im_show(6-i,ls)i+=1LS.append(ls)

在这里插入图片描述

5.根据融合后的图像金字塔重建原始图像。
# 现在重建
# 逐层补充每一层的“信息差”并Up起来
# LS是融合后的拉普拉斯图像,0-5从小到大
ls_ = LS[0]
plt.figure(figsize=(10,6))
plt.subplot(2,3,6)
im_show('5',ls_)
for i in range(1,6):# 由最低分辨率图像向上采样ls_ = cv2.pyrUp(ls_) # 将采样后的图片与同层的拉普拉斯金字塔图像相加ls_ = cv2.add(ls_, LS[i])plt.subplot(2,3,6-i)im_show(5-i,ls_)

在这里插入图片描述

融合时的图像ls_的变化过程:第一幅图放大一次后,和对应的拉普拉斯层的图像相加(把丢失的信息加回来),得到第二幅图。第二幅图再放大,和对应拉普拉斯层相加。依次类推。

# 图像金字塔融合和图像直接连接对比
# 图像各半边直接连接
real = np.hstack((apple[:,:int(cols/2)],orange[:,int(cols/2):]))
plt.figure(figsize=(10,6))
im_show('图像金字塔融合与图像直接连接对比',np.hstack((ls_,real)))

在这里插入图片描述

四、任务小结

本次实验主要完成基于拉普拉斯金字塔的图像无缝融合任务,任务首先生成高斯金字塔,然后根据生成的高斯金字塔生成拉普拉斯金字塔,再将拉普拉斯的每一层进行图像融合,根据融合后的图像金字塔重建原始图像。

–end–

说明

本实验(项目)/论文若有需要,请后台私信或【文末】个人微信公众号联系我

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/831646.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【讲解如何OpenCV入门】

🌈个人主页: 程序员不想敲代码啊 🏆CSDN优质创作者,CSDN实力新星,CSDN博客专家 👍点赞⭐评论⭐收藏 🤝希望本文对您有所裨益,如有不足之处,欢迎在评论区提出指正,让我们共…

需求规格说明书编制书(word原件)

1 范围 1.1 系统概述 1.2 文档概述 1.3 术语及缩略语 2 引用文档 3 需求 3.1 要求的状态和方式 3.2 系统能力需求 3.3 系统外部接口需求 3.3.1 管理接口 3.3.2 业务接口 3.4 系统内部接口需求 3.5 系统内部数据需求 3.6 适应性需求 3.7 安全性需求 3.8 保密性需…

GiantPandaCV | FasterTransformer Decoding 源码分析(二)-Decoder框架介绍

本文来源公众号“GiantPandaCV”,仅用于学术分享,侵权删,干货满满。 原文链接:FasterTransformer Decoding 源码分析(二)-Decoder框架介绍 作者丨进击的Killua 来源丨https://zhuanlan.zhihu.com/p/669303360 编辑丨GiantPand…

【Python编程实践1/3】模块

目录 目标 模块 import ​编辑 代码小结 题目 from...import 随机模块 代码小结 randint函数 骰子大战 choice函数 总结 目标 拧一颗螺丝,只会用到螺丝刀;但是修一台汽车,需要一整套汽修的工具。函数就像螺丝刀,可以帮…

python项目==一个web项目,配置模板指定文件清洗规则,调用模板规则清洗文件

代码地址 一个小工具。 一个web项目,配置模板指定文件清洗规则,调用模板规则清洗文件 https://github.com/hebian1994/csv-transfer-all 技术栈: SQLite python flask vue3 elementplus 功能介绍: A WEB tool for cleaning…

JavaScript:Web APIs(三)

本篇文章的内容包括: 一,事件流 二,移除事件监听 三,其他事件 四,元素尺寸与位置 一,事件流 事件流是什么呢? 事件流是指事件执行过程中的流动路径。 我们发现,一个完整的事件执行…

Delta lake with Java--利用spark sql操作数据1

今天要解决的问题是如何使用spark sql 建表,插入数据以及查询数据 1、建立一个类叫 DeltaLakeWithSparkSql1,具体代码如下,例子参考Delta Lake Up & Running第3章内容 import org.apache.spark.sql.SaveMode; import org.apache.spark.…

区域文本提示的实时文本到图像生成;通过一致性自注意力机制的视频生成工具保持视频的一致性;专门为雪佛兰汽车设计的客服聊天机器人

✨ 1: StreamMultiDiffusion StreamMultiDiffusion是首个基于区域文本提示的实时文本到图像生成框架,实现了高速且互动的图像生成。 StreamMultiDiffusion 旨在结合加速推理技术和基于区域的文本提示控制,以克服之前解决方案中存在的速度慢和用户交互性…

约瑟夫问题新解法

前言 又碰到了约瑟夫问题,这样的题目本来用环形链表模拟的话就能做出来。然而,最近新学习了一种做法,实在是有点震惊到我了。无论是思路上,还是代码量上,都是那么的精彩。就想也震惊一下其他人。谁能想到原来模拟出来四…

C/C++程序设计实验报告综合作业 | 小小计算器

本文整理自博主本科大一《C/C程序设计》专业课的课内实验报告,适合C语言初学者们学习、练习。 编译器:gcc 10.3.0 ---- 注: 1.虽然课程名为C程序设计,但实际上当时校内该课的内容大部分其实都是C语言,C的元素最多可能只…

深度解析 Spring 源码:探寻Bean的生命周期

文章目录 一、 Bean生命周期概述二、Bean生命周期流程图三、Bean生命周期验证3.1 代码案例3.2 执行结果 四、Bean生命周期源码4.1 setBeanName()4.2 setBeanFactory()4.3 setApplicationContext()4.4 postProcessBeforeInitialization()4.5 afterPropertiesSet()4.6 postProces…

力扣刷题第1天:消失的数字

大家好啊,从今天开始将会和大家一起刷题,从今天开始小生也会开辟新的专栏。😜😜😜 目录 第一部分:题目描述 第二部分:题目分析 第三部分:解决方法 3.1 思路一:先排序…

十、多模态大语言模型(MLLM)

1 多模态大语言模型(Multimodal Large Language Models) 模态的定义 模态(modal)是事情经历和发生的方式,我们生活在一个由多种模态(Multimodal)信息构成的世界,包括视觉信息、听觉信息、文本信息、嗅觉信…

MySQL技能树学习——数据库组成

数据库组成: 数据库是一个组织和存储数据的系统,它由多个组件组成,这些组件共同工作以确保数据的安全、可靠和高效的存储和访问。数据库的主要组成部分包括: 数据库管理系统(DBMS): 数据库管理系…

MySQL45讲(一)(40)

回顾binlog_formatstatement STATEMENT 记录SQL语句。日志文件小,节约IO,但是对一些系统函数不能准确复制或不能复制,如now()、uuid()等 在RR隔离级别下,binlog_formatstatement 如果执行insert select from 这条语句是对于一张…

OpenCV如何为等值线创建边界旋转框和椭圆(63)

返回:OpenCV系列文章目录(持续更新中......) 上一篇:OpenCV 为轮廓创建边界框和圆(62) 下一篇:OpenCV的图像矩(64) 目标 在本教程中,您将学习如何: 使用 OpenCV 函数 cv::minAreaRect使用 OpenCV 函数 cv::fitEllipse cv::min…

Gradle 进阶学习 之 build.gradle 文件

build.gradle 是什么? 想象一下,你有一个大型的乐高项目,你需要一个清单来列出所有的乐高积木和它们如何组合在一起。在软件开发中,build.gradle 就是这个清单,它告诉计算机如何构建(组合)你的软…

这是一个简单的照明材料网站,后续还会更新

1、首页效果图 代码 <!DOCTYPE html> <html><head><meta charset"utf-8" /><title>爱德照明网站首页</title><style>/*外部样式*/charset "utf-8";*{margin: 0;padding: 0;box-sizing: border-box;}a{text-dec…

开源版本管理系统的搭建一:SVN

作者&#xff1a;私语茶馆 1.Windows搭建SVN版本管理系统 1.1.SVN概要和组成 背景介绍 Svn是一个开源版本管理系统&#xff0c;由CollabNet公司于2000年发布&#xff0c;23年12月发布最新版本Apache Subversion 1.14.3。官方网站&#xff1a;Apache Subversion。 Svn可以直…

G1 - 生成对抗网络(GAN)

&#x1f368; 本文为&#x1f517;365天深度学习训练营 中的学习记录博客&#x1f356; 原作者&#xff1a;K同学啊 目录 理论知识生成器判别器基本原理 环境步骤环境设置数据准备模型设计模型训练模型效果展示 总结与心得体会 理论知识 生成对抗网络&#xff08;Generative …