|
|
图像金字塔概念
1.我们在图像处理中常常会调整图像大小，最常见的就是放大(zoom in)和缩小（zoom out），尽管几何变换也可以实现图像放大和缩小，但是这里我们介绍图像金字塔
2. 一个图像金字塔式一系列的图像组成，最底下一张是图像尺寸最大，最上方的图像尺寸最小，从空间上从上向下看就想一个古代的金字塔。
图像金字塔概念
高斯金子塔 – 用来对图像进行降采样
拉普拉斯金字塔 – 用来重建一张图片根据它的上层降采样图片
图像金字塔概念 – 高斯金字塔
高斯金子塔是从底向上，逐层降采样得到。
降采样之后图像大小是原图像MxN的M/2 x N/2 ,就是对原图像删除偶数行与列，即得到降采样之后上一层的图片。
高斯金子塔的生成过程分为两步：
- 对当前层进行高斯模糊
- 删除当前层的偶数行与列
即可得到上一层的图像，这样上一层跟下一层相比，都只有它的1/4大小
相关API
上采样(cv::pyrUp) – zoom in 放大
降采样 (cv::pyrDown) – zoom out 缩小
pyrUp(Mat src, Mat dst, Size(src.cols*2, src.rows*2))
生成的图像是原图在宽与高各放大两倍
pyrDown(Mat src, Mat dst, Size(src.cols/2, src.rows/2))
生成的图像是原图在宽与高各缩小1/2
[C++] 纯文本查看 复制代码 /*
注意:
void pyrDown(InputArray src, OutputArray dst, const Size& dstsize=Size());
函数说明：
1.输入图像
2.输出图像
3.降采样之后的目标图像的大小
不指定第三个参数，那么这个值是按照 Size((src.cols+1)/2, (src.rows+1)/2) 计算
void pyrUp(InputArray src, OutputArray dst, const Size& dstsize=Size());
先对图像进行升采样（将图像尺寸行和列方向增大一倍），然后再进行高斯平滑；
函数说明：
同样是最后一个参数，在默认的情况下，这个尺寸大小是按照 Size(src.cols*2, (src.rows*2) 来计算的。如果你自己要指定大小，那么一定要满足下面的条件：
|dstsize.width - src.cols * 2| ≤ (dstsize.width mod 2); //如果width是偶数，那么必须dstsize.width是src.cols的2倍；
|dstsize.height - src.rows * 2| ≤ (dstsize.height mod 2);
然后这个函数运行的过程就是先将图像的尺寸行和列方向都放大一倍，然后进行高斯平滑，不过此时高斯平滑的kernel是上面pyrDown()中的kernel乘上4，而不是完全相同。（ 其实也很容易理解，行和列方向各放大一倍的结果就是图像的面积放大四倍，所以这里给之前的kernel乘以4）。
*/
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main(int argc, char** argv) {
Mat src, dst;
src = imread("D:/IDE/opencv-3.1.0/demo.jpg");
if (!src.data) {
printf("加载图片异常\n");
return -1;
}
//上采样
namedWindow("input", CV_WINDOW_AUTOSIZE);
imshow("input", src);
pyrUp(src, dst, Size(src.cols * 2, src.rows * 2));
imshow("上采样", dst);
//降采样
Mat s_down;
pyrDown(src, s_down, Size(src.cols / 2, src.rows / 2));
imshow("降采样", s_down);
waitKey(0);
return 0;
}
高斯不同(Difference of Gaussian-DOG)
定义：就是把同一张图像在不同的参数下做高斯模糊之后的结果相减，得到的输出图像。称为高斯不同(DOG)
高斯不同是图像的内在特征，在灰度图像增强、角点检测中经常用到。
[C++] 纯文本查看 复制代码 /*
注意:
C++: void normalize(
InputArray src,
InputOutputArray dst,
double alpha=1,
double beta=0,
int norm_type=NORM_L2,
int dtype=-1,
InputArray mask=noArray()
)
C++:
void normalize(
const SparseMat& src,
SparseMat& dst,
double alpha,
int normTyp
e)
通俗地讲就是将矩阵的值通过某种方式变到某一个区间内
norm_type有NORM_INF, NORM_MINMAX,NORM_L1和NORM_L2四种。
1、在 NORM_MINMAX 模式下，alpha表示归一化后的最小值，beta表示归一化后的最大值。
2、在NORM_L1、NORM_L2、NORM_INF 模式下，alpha表示执行相应归一化后矩阵的范数值，beta不使用。
3、稀疏矩阵归一化仅支持非零像素
NORM_MINMAX
数组的数值被平移或缩放到一个指定的范围，线性归一化。
**************************************************************************
subtract(src1, src2, dst=None, mask=None, dtype=None)
减法的参数与加法类似：
src1：作为被减数的图像数组或一个标量
src2：作为减数的图像数组或一个标量
dst：可选参数，输出结果保存的变量，默认值为None，如果为非None，输出图像保存到dst对应实参中，其大小和通道数与输入图像相同，图像的深度（即图像像素的位数）由dtype参数或输入图像确
mask：图像掩膜，可选参数，为8位单通道的灰度图像，用于指定要更改的输出图像数组的元素，即输出图像像素只有mask对应位置元素不为0的部分才输出，否则该位置像素的所有通道分量都设置为0
dtype：可选参数，输出图像数组的深度，即图像单个像素值的位数（如RGB用三个字节表示，则为24位）。
返回值：相减的结果图像
减法运算的四种场景
两个图像矩阵相减, 要求两个矩阵必须有相同大小和通道数
dst(I)=saturate(src1(I)−src2(I))if mask(I)≠0
1个图像矩阵和1个标量相减, 要求src2是标量或者与src1的通道数相同的元素个数，经实际测试应该是一个四元组，如果src1是3通道的，则按通道顺序依次与该四元组的前3个元素相减
dst(I)=saturate(src1(I)−src2)if mask(I)≠0
1个标量和一个图像数组相减, 要求src1是标量或者与src1的通道数相同的元素个数
dst(I)=saturate(src1−src2(I))if mask(I)≠0
在给定值减去矩阵的SubRS情况下，为1个标量和一个图像数组相减的反向差，老猿认为这是第二种场景的一种特殊解读
dst(I)=saturate(src2−src1(I))if mask(I)≠0
*/
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main(int argc, char** argv) {
Mat src, dst;
src = imread("D:/IDE/opencv-3.1.0/demo.jpg");
if (!src.data) {
printf("加载图片异常\n");
return -1;
}
//计算DOG效果...........................................................开始
Mat gray_src, g1, g2,lastimg;
cvtColor(src, gray_src, CV_BGR2GRAY);
/*转灰度图*/
GaussianBlur(gray_src, g1, Size(5,5), 0, 0);
//高斯模糊
GaussianBlur(g1, g2, Size(5, 5), 0, 0);
//高斯模糊
subtract(g1, g2,lastimg,Mat());
//二次高斯模糊 的差值图像
//计算DOG效果...........................................................结束
normalize(lastimg, lastimg, 255, 0, NORM_MINMAX);
//归一化显示
imshow("最终结果",lastimg);
waitKey(0);
return 0;
}
|
|
发表于 2022-2-27 10:28:15
