网站建设功能怎么写,上海开本建设工程有限公司,公司网站形象,番禺俊才网在我们之前的学习过程中#xff0c;使用的都是恒定大小的图像#xff0c;但是在某些情况下#xff0c;我们需要使用不同分辨率的#xff08;相同#xff09;图像。例如#xff0c;当在图像中搜索某些东西#xff08;例如人脸#xff09;时#xff0c;我们不确定对象将…在我们之前的学习过程中使用的都是恒定大小的图像但是在某些情况下我们需要使用不同分辨率的相同图像。例如当在图像中搜索某些东西例如人脸时我们不确定对象将以多大的尺寸显示在图像中。在这种情况下我们将需要创建一组具有不同分辨率的相同图像并在所有图像中搜索对象这些具有不同分辨率的图像集称为“图像金字塔”。
本期我们来实现使用图像金字塔将两张图片融合到一张图片。
完成本期内容你可以 了解图像金字塔的原理和应用 掌握上采样和下采样对应的原理和函数 掌握高斯金字塔的实现和应用 掌握拉普拉斯金字塔的实现和应用
若要运行案例代码你需要有 操作系统Ubuntu 16 以上 或者 Windows10 工具软件VScode 或者其他源码编辑器 硬件环境无特殊要求 核心库python 3.6.13 opencv-contrib-python 3.4.11.39opencv-python 3.4.2.16
点击下载源码 下采样
OpenCV将下采样封装成了cv2.pyrDown()方法。
函数原型dst cv2.pyrDown( src[, dstsize[, borderType]] ) dst为输出图像。
参数描述如下
dst目标图像。src 原始图像。dstsize目标图像的大小。borderType边界类型。
上采样
OpenCV将下采样封装成了cv2.pyrDown()方法。
函数原型dst cv2.pyrDown( src[, dstsize[, borderType]] ) dst为输出图像。
参数描述如下
dst目标图像。src 原始图像。dstsize目标图像的大小。borderType边界类型。
高斯金字塔
高斯金字塔是由底部的最大分辨率图像逐次向下采样得到的一系列图像。最下面的图像分辨率最高越往上图像分辨率越低。高斯金字塔的向下采样过程是对于给定的图像先做一次高斯平滑处理也就是使用一个大小为的卷积核对图像进行卷积操作然后再对图像采样去除图像中的偶数行和偶数列然后就得到一张图片对这张图片再进行上述操作就可以得到高斯金字塔。 拉普拉斯金字塔
拉普拉斯金字塔是通过源图像减去先缩小后再放大的图像的一系列图像构成的。拉普拉金字塔的图像看起来就像边界图其中很多像素都是0。他们经常被用在图像压缩中。将降采样之后的图像再进行上采样操作然后与之前还没降采样的原图进行做差得到残差图。为还原图像做信息的准备。 图像融合
图像金字塔的重要应用就是图像融合它的具体操作是首先对两张图片分别进行降采样或者采用高斯金字塔法当降采样到一定程度后将两张图片合并这时候由于在降采样时丢失了一部分边缘信息因此边缘处不匹配的现象就消失了。之后对合并的图像进行上采样或者采用拉普拉斯金字塔法使图像回到原来的大小。此时边缘处的不匹配现象就会明显降低甚至消失。 具体步骤
使用图像金字塔将下列两张图片进行融合。 步骤一创建项目工具
创建项目名为使用图像金字塔进行图像融合项目根目录下新建code文件夹储存代码新建dataset文件夹储存数据项目结构如下
使用图像金字塔进行图像融合 # 项目名称
├── code # 储存代码文件
├── dataset # 储存数据文件注如项目结构已存在无需再创建。
步骤二加载苹果和橙子的两个图像
导入所需模块OpenCV、NumPy ;读取dataset文件夹下的apple.png 和orange.png图片将两张图像均修改为 515*512 的尺寸
代码实现
# 导入OpenCV、numpy
import cv2
import numpy as np# 读取图片
img cv2.imread(../dataset/apple.png)
img1 cv2.imread(../dataset/orange.png)# resize到2的幂次方便降采样处理
img cv2.resize(img, (512, 512))
img1 cv2.resize(img1, (512, 512))步骤三定义构建高斯金字塔的函数
将原图像复制作为第一张图像高斯平滑处理下采样操作循环上面两步操作并将得到的图像储存至列表中。
代码实现
# 定义构建高斯金字塔的函数
def gaussian(ori_image, down_times2):# 1添加第一个图像为原始图像temp_gau ori_image.copy()gaussian_pyramid [temp_gau]for i in range(down_times):# 高斯平滑gaussian_img cv2.GaussianBlur(temp_gau, (5, 5), 0, 0)# 2连续存储2次下采样这样高斯金字塔就有3层temp_gau cv2.pyrDown(gaussian_img)gaussian_pyramid.append(temp_gau)return gaussian_pyramid步骤四定义构建拉普拉斯金字塔的函数
将高斯金字塔图像列表中的最后一张图像作为第一张图像上采样操作与之前还没降采样的原图进行做差得到残差图循环上面两步操作并将得到的图像储存至列表中。
代码实现
# 定义构建拉普拉斯金字塔的函数
def laplacian(gaussian_pyramid, up_times2):laplacian_pyramid [gaussian_pyramid[-1]]for i in range(up_times,0, -1):# i的取值为2,1,0也就是拉普拉斯金字塔有3层temp_pyrUp cv2.pyrUp(gaussian_pyramid[i])temp_lap cv2.subtract(gaussian_pyramid[i-1], temp_pyrUp)laplacian_pyramid.append(temp_lap)return laplacian_pyramid步骤五对两张图像分别进行高斯金字塔和拉普拉斯金字塔操作
代码实现
# 第一张图进行高斯金字塔计算
gp1 gaussian(img, down_times5)# 第二张图进行高斯金字塔计算
gp2 gaussian(img1,down_times5)# 第一张图进行拉普拉斯金字塔计算
lp1 laplacian(gp1,up_times5)# # 第二张图进行拉普拉斯金字塔计算
lp2 laplacian(gp2,up_times5)步骤六图像融合
在每个级别中添加第一张图像的左边和第二张图像的右边组成新的图像重建图像展示图像。
# 现在在每个级别中添加左右两半图像
merges []
for i in range(step 1):w, h, d lp1[i].shapemerge np.hstack((lp1[i][:, 0:w // 2 - 10 // 2 ** i], lp2[i][:, w // 2 - 10 // 2 ** i:]))merges.append(merge)
# 现在重建
ls_ merges[0]
for i in range(1,6):ls_ cv2.pyrUp(ls_)ls_ cv2.add(ls_, merges[i])cv2.imshow(Pyramid_blending2.jpg,ls_)cv2.waitKey()
cv2.destroyAllWindows()图像金字塔是图像中多尺度表达的一种最主要用于图像的分割是一种以多分辨率来解释图像的有效但概念简单的结构。图像金字塔最初用于机器视觉和图像压缩一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低且来源于同一张原始图的图像集合。其通过梯次向下采样获得直到达到某个终止条件才停止采样。金字塔的底部是待处理图像的高分辨率表示而顶部是低分辨率的近似。我们将一层一层的图像比喻成金字塔层级越高则图像越小分辨率越低。
点击下载源码
