希望有能力的朋友还是拿C++做。

本节讨论金字塔（高斯金字塔和拉普拉斯金字塔）以及统计图像直方图

1. 图像金字塔

• 是图像多尺度表达的一种，最主要用于图像分割。是同一图像不同分辨率的子集合。
• 是一系列以金字塔形状排列的分辨率逐步降低同一张图像的集合。
• 其通过梯次向下采样获得，直到某个终止条件停下
• 顶部是高分辨率表示，顶部是低分辨率表示，将一层一层比成金字塔，越靠近顶部，图像越小，分辨率越低
• 不同于resize的是，需要保留原图1/4的缩放

1.1 高斯金字塔

Gaussian pyramid:用来降采样，主要的图像金字塔

1.1.1向下采样，由大变小

• 亚采样(subsamping) 采集完之后图变小了 例原有100点 采集10个点
• 原理十分简单, 进行了卷积操作：
  • 提前准备一高斯卷积核，将Gi与高斯内核卷积
  • 将所有偶数的行和列去掉 就变为1/4了
  • 不用指定尺寸 固定缩为每次1/4
• 降维

#向下采样
import cv2
import numpy as np

img = cv2.imread('cat.jpeg')
print(img.shape)

#分辨率减小的操作，下采样,只需一个参数，每次固定1/4
dst = cv2.pyrDown(img)
print(dst.shape)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

1.1.2 向上采样，由小变大

逆亚采样

• 将图像在每个方向扩大为原来的两倍，新增的行和列先以0填充
• 然后使用先前同样的卷积核（X4）与放大后的图像卷积，获得近似值
• 将原值分配到临近四个为0的邻域，但是图像会变暗，所以乘以4

# 向上采样
import cv2
import numpy as np

img = cv2.imread('cat.jpeg')
print(img.shape)

#分辨率增大的操作，下采样,只需一个参数，每次固定4倍
dst = cv2.pyrUp(img)
print(dst.shape)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

1.2 拉普拉斯金字塔

Laplacian pyramid:用于从金字塔底层图像重建上层未采样图像（实际上是原图和高斯金字塔之间的残差，丢到的东西就是拉普拉斯金字塔），在数字图像处理中即为预测残差，可以对图像进行最大程度的还原，配合高斯金字塔一起使用

• 将降采样之后的图像进行上采样才做，然后与还没降采样的图像做差，得到残差图，为还原图像左信息准备
• 拉普拉斯金字塔只像图像边缘， 大部分图像都是0，用于图像压缩
• 由高斯金字塔构成 没有特殊的函数

import cv2
import numpy as np

img = cv2.imread('cat.jpeg')
print(img.shape)


# 这是第0层 的
#先缩小
dst = cv2.pyrDown(img)
#再放大
dst = cv2.pyrUp(dst)
# Laplace = 原图 - dst
lap0 = img - dst

#这是第一层的
dst1 = cv2.pyrDown(dst)
dst1 = cv2.pyrUp(dst1)
lap1 = dst - dst1

cv2.imshow('img', img)
cv2.imshow('dst0', lap0)
cv2.imshow('dst1', lap1)

cv2.waitKey(0)
cv2.destroyAllWindows()
#高斯金字塔取样不可逆
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

2. 图像直方图

二维统计图表， 可以均衡亮度等

• 横坐标：图像中各像素点的灰度级
• 纵坐标：具有该灰度级的像素个数
• 直方图术语：
  • dims:需要统计的特征数目, 。例如：dims=1,仅统计灰度值
  • bins:每个特征空间子区段的数目（横坐标分段数），一般的bins不缩的话一般是255,详见bins.png
  • range：统计灰度的范围，一般是[0,255]

2.1 统计直方图

• calcHist(image, channels, mask, histSize, ranges[, hist[, accumulate[]]])
  • image: 原始图像
  • channels:指定通道
    • 中括号括起来，[0]:灰度图，[0],[1],[2]可以作为彩图参数，对应B,G,R
  • mask:掩码图像
    • None:统计整幅图
    • 统计图像某一部分时，就需要掩码图像
  • histSize: BINS的数量
    • 例如[256],表示256个段
  • ranges: 像素值范围，例如[0,255]
  • accumulate：累积标识
    • 默认false
    • True：直方图开始分配时不会清零
    • 该参数允许从多个图像中计算单个直方图，或用于实时更新直方图
    • 多个直方图的累计结果，用于对一组图像计算直方图

import cv2
import numpy as np

img = cv2.imread('cat.jpeg')

hist = cv2.calcHist([img], [0], None, [256], [0,255])
print(hist)
1
2
3
4
5
6
7

2.2 绘制直方图

2.2.1 不用opencv的统计方法

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('cat.jpeg')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.hist(gray.ravel(), bins=256, range=[0,255])
1
2
3
4
5
6
7
8
9

2.2.2 用opencv统计方法

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('cat.jpeg')

histb = cv2.calcHist([img], [0], None, [256], [0,255])
histg = cv2.calcHist([img], [1], None, [256], [0,255])
histr = cv2.calcHist([img], [2], None, [256], [0,255])

#plot不传x的时候，会以histb的索引作为x
plt.plot(histb, color='b', label='blue')
plt.plot(histg, color='g', label='green')
plt.plot(histr, color='r', label='red')
plt.legend()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2.3 使用掩膜的直方图

• 生成和原图一样尺寸的全黑图片，mask=np.zeros(image.shape, np.uint8)
• 将想要的区域通过索引的方式设置为纯白255，mask[100:200, 200:300]=255

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('cat.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#生成掩膜图像
mask = np.zeros(gray.shape, np.uint8)

#设置想要统计的直方图区域
mask[200:400, 200:400] = 255


cv2.imshow('mask', mask)
cv2.imshow('gray', gray)
#gray，再和mask做与运算
#cv2.imshow('mask_gray', cv2.bitwise_and(gray, gray, mask=mask))
cv2.imshow('mask_gray', cv2.bitwise_and(gray, mask))
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21