【OpenCV学习4】图像金字塔_opencvn金字塔映射

图像金字塔：

在先前对图像的操作中，我们对图像的处理是停留在二维尺度上的，即没有考虑到图像其实具有第三个维度。而在现实场景中，我们人眼观察到的世界是时刻变化的，即观察近处的图像较大，远处的图像较小的特点。因此对于给定的一帧图像，为了模仿图像离我们远去时在视网膜上的成像，并尽可能的还原图像在不同尺度下的呈现的不同特征,(即图像的纵深),我们引入图像金字塔的概念。试图图在二维图像的基础之上，还原出图像中自然存在的另一个维度：尺度。

图像金字塔（Image Pyramid）：

一个图像金字塔由一系列按比例缩放的不同Size的图像组成，最底层的图像的尺寸最大，最上方的图像的尺寸最小，从空间上看就像一个金字塔，因此得名。

会用到的API：

1.cv::subtract() 计算两个图像之间的每每元素像素差

函数原型：

void cv::subtract(cv::InputArray src1, cv::InputArray src2, cv::OutputArray dst, cv::InputArray mask = noArray(), int dtype = -1)

其中：
src1第一个输入数组或标量。
src2第二个输入数组或标量。
dst输出，大小和通道数与输入数组相同。（若最终dst<0,则dst取0）
//mask掩膜；这是一个8位单通道数组，选择感兴趣区域，选定后只能对该区域进行操作。
//dtype输出数组的可选深度，输出图像的深度可以自定义。

类似的减法操作函数：
absdiff(img1,img2,dst)
区别：若dst<0,则dst=|dst|>=0

2.cv::normalize() 归一化函数，将图像像素值归一化到一个范围
该函数分为范围归一化与数据值归一化

函数原型：

void cv::normalize(InputArry src,InputOutputArray dst,double alpha=1,double beta=0,int norm_type=NORM_L2,int dtype=-1,InputArray mark=noArry())

其中：
src 输入数组；
dst 输出数组，数组的大小和原数组一致；
alpha 规范范围下限；
beta 规范范围上限；
norm_type 归一化选择的数学公式类型；
//dtype 当为负，输出在大小深度通道数都等于输入，当为正，输出只在深度与输如不同，不同的地方由dtype决定；
//mark 掩膜。选择感兴趣区域，选定后只能对该区域进行操作

归一化选择的数学公式类型介绍（norm_type）：

NORM_MINMAX(常用):
数组的数值被平移或缩放到一个指定的范围，线性归一化。

其中
max=beta ;
min=alpha

NORM_INF:
分母为L∞范数 ，即矩阵各元素绝对值的最大值（切比雪夫距离）

NORM_L1:
分母为L1-范数，即矩阵元素的绝对值之和（曼哈顿距离）

NORM_L2:
分母为L2-范数，即矩阵各元素的欧几里德距离之和

例：NORM_MINMAX：[0,255]

input：1,2,3,4,5,6
output：0，28.3333，56.6667，85，113.333，141.667，170，198.333，226.667，255

参考博客：
https://blog.csdn.net/cosmispower/article/details/64457406
https://www.cnblogs.com/huluwa508/p/11356196.html

降采样：

cv::pyrDown()

函数原型：

void cv::pyrDown(cv::InputArray src, cv::OutputArray dst, const cv::Size &dstsize = cv::Size(), int borderType = 4)

其中：
src： input image.
dst ：output image; it has the specified size and the same type as src.
dstsize： size of the output image（没有给就默认M/2×N/2）
borderType： Pixel extrapolation method, see cv::BorderTypes (BORDER_CONSTANT isn’t supported)（像素外推方法）

在源代码中作者也给出了注意事项：
对于输出图像的尺寸：

By default, size of the output image is computed as
Size((src.cols+1)/2, (src.rows+1)/2), but in any case, the
following conditions should be satisfied:

即2×输出图像的宽/高与原图像宽/高的差值不大于2.（可能和算法有关）

第一步中高斯平滑采用的卷积核，size为5×5：

代码实现：

void My_pyrdown(int , void*) //降采样（回调函数）
{
    pyrDown(SRC,DST); //降采样
    SRC=DST.clone();
    imshow("My_pyrdown",SRC);
}
1
2
3
4
5

上采样：

cv::pyrUp（）和cv::pyrDown（）类似。

上采样操作具体操作：
1.将图像在每个方向扩大为原来的两倍，新增的行和列以0填充
2.使用先前同样的内核与放大后的图像卷积， 获得 “新增像素”的近似值（通常使用插值方法）。得到的图像即为放大后的图像，但是与原来的图像相比会比较模糊，因为在缩放的过程中已经丢失了一些信息。

代码实现：

void My_pyrUp(int ,void*) //上采样（回调函数）
{
    pyrUp(SRC,DST); //上采样
    SRC=DST.clone();
    imshow("My_pyrUp",SRC);
}
1
2
3
4
5

效果实现：

降采样：

上采样：

高斯金字塔(Gaussian pyramid)：

高斯金字塔通过对原图从底部向上，逐层降采样得到，图像的尺度逐层减少。降采样之后的图像大小是原图像Size的1/4,即M×N的图像，降采样得到M/2×N/2.(对原图像删除偶数行与列)

高斯金字塔的实现过程：
1.对当前层进行高斯模糊（Gaussian Blur）
2.删除所有的偶数行和偶数列，再拼为一个完整的图像，作为高斯金字塔当前层的上一层。

高斯不同(Different of Gaussian)
高斯不同,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，即高斯不同(DOG).这和拉普拉斯金字塔的获取原理有些类似。

高斯不同是图像的内在特征，在灰度图像增强，角点检测中经常用的到。

差分金字塔:
差分金字塔是在高斯金字塔的基础上构建起来的，即在高斯金字塔每一层上再计算高斯不同。DOG金字塔的第1组第1层是由高斯金字塔的第1组第2层减第1组第1层得到的。以此类推，逐组逐层生成每一个差分图像，所有差分图像构成差分金字塔。概括为DOG金字塔的第0组第l层图像是由高斯金字塔的第0组第i+1层减第0组第i层得到的。

每一组在层数上，DOG金字塔比高斯金字塔少一层。像Sift特征点的提取都是在DOG金字塔上进行的。

参考博客：
https://blog.csdn.net/zhu_hongji/article/details/81536820
https://blog.csdn.net/dcrmg/article/details/52561656

代码实现：

void Different_of_Gaussian(int n, void*) //高斯不同
{
    n=n*2+3;
    Mat temp1,temp2,result;
    GaussianBlur(SRC, temp1, Size(n-2, n-2),2,2);
    GaussianBlur(SRC, temp2, Size(n, n),2,2);
    subtract(temp1,temp2,result); //图像减法操作，temp1-temp2
    normalize(result,result,0,255,NORM_MINMAX); //归一化函数（投影范围：0,255）
    imshow("Different_of_Gaussian",result);
}
1
2
3
4
5
6
7
8
9

第一层高斯金字塔上的高斯差分：

拉普拉斯金字塔(Laplacian pyramid)

拉普拉斯金字塔可以认为是残差金字塔，用来存储下采样后图片与原始图片的差异。我们知道，如果高斯金字塔中任意一张图Gi（G0为最初的高分辨率图像）先进行下采样得到图Down(Gi)，再进行上采样得到图Up(Down(Gi))，得到的Up(Down(Gi))与Gi相比会更模糊，因为下采样过程丢失的信息不能通过上采样来完全恢复，也就是说下采样是不可逆的。

下式是拉普拉斯金字塔第i层的数学定义：

即：

参考博客：
https://www.cnblogs.com/sddai/p/10330756.html
https://zhuanlan.zhihu.com/p/94014493

代码实现：

void Laplacian_pyramid(int, void*) //拉普拉斯金字塔
{
    Mat temp;
    pyrDown(SRC,DST); //降采样
    pyrDown(DST,SRC); //降采样
    pyrUp(SRC,temp); //上采样
    resize(temp,temp,DST.size());
    subtract(DST,temp,SRC);
    normalize(SRC,SRC,0,255,NORM_MINMAX); //归一化函数（投影范围：0,255）
    imshow("Laplacian_pyramid",SRC);
    imwrite("/home/yht/OpenCV/image/test5_pyrdown.png",SRC);
    SRC=DST.clone();
}
1
2
3
4
5
6
7
8
9
10
11
12

拉普拉斯金字塔：