目录
- 图像金字塔
* - 图像金字塔介绍
- 高斯金字塔（Gaussian pyramid）
– - 拉普拉斯金字塔
- 图像直方图
* - 图像直方图的基本概念
- 直方图术语
- 使用
OpenCV统计直方图 - 使用
OpenCV绘制直方图 - 使用掩膜的直方图
图像金字塔
图像金字塔介绍
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且概念简单的结构。 简单来说，图像金字塔是同一图像不同分辨率的子图集合（有800×800、480×640…）
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 分辨率逐渐降低、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
高斯金字塔固定了缩放比，即如果你是800×800的图，无法缩放成500×500
我们将要学习用什么方法，如何去生成这些图像金字塔
常见两类图像金字塔：
- 高斯金字塔（Gaussian pyramid）：用来向下/降采样（分辨率减小，图片变小，向上走），是主要的图像金字塔；
- 拉普拉斯金字塔（Laplacian pyramid）：用来从金字塔低层图像重建上层未采样图像，在数字图像处理中也就是预测残差，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
; 高斯金字塔（Gaussian pyramid）
高斯金字塔是通过高斯平滑和亚采样（一个图形中取出一小块）获得的一系列 下采样图像
向下采样
原理非常简单：如下图所示
原始图像分辨率
M*N ——> 处理图像后分辨率 M/2 * N/2；即每次处理后， 结果是原来的1/4（不要求是偶数，会自动四舍五入）
注意：向下采样（分辨率减小，在上图中表现为
方向向上 ）会丢失信息
关键API： cv2.pyrDown(src[, dst[, dstsize[, borderType]]])
其中：
src：需要操作的图片dst：返回值，不用写，我们用一个参数接受即可dstsize：返回图片的大小- *图片会变成原来的1/4
import cv2
import numpy as np
img = cv2.imread('./lena.png')
dst = cv2.pyrDown(img)
dst2 = cv2.pyrDown(dst)
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('dst2',dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
其实清晰度几乎没变，这就是图像金字塔的厉害之处：虽然丢掉了偶数行和偶数列，但是 经过了高斯核函数卷积后，相当于把一个像素点匀到周围了，因此变化不大
向上采样
向上采样是向下采样的相反过程，指图片从小变大的过程
- 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
- 使用先前同样的内核（乘以4）于放大后的图像卷积，获取近似值 ——> 假设四个一组，相当于把有数值的地方向周围三个0的位置填充（以左上角为例，相当于把10分成四份，一份2.5；但是由于整体值变小了，图像会偏暗，为了解决这个问题，我们乘4，相当于”复制”四份）
操作和向下采样一样！
关键API： cv2.pyrUp(src[, dst[, dstsize[, borderType]]])
其中：
src：需要操作的图片dst：返回值，不用写，我们用一个参数接受即可dstsize：返回图片的大小- *图片会变成原来的4倍
import cv2
import numpy as np
img = cv2.imread('./Hello.jpeg')
dst = cv2.pyrUp(img)
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
拉普拉斯金字塔
拉普拉斯金字塔图像 = 原始图像 - 上采操作函数（下采操作函数(原始图像)）
将降采样之后的图像在进行上采样操作，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！
也就是说， 拉普拉斯金字塔是通用 原图像减去 先缩小后再放大的图像（高斯金字塔） 的一系列图像构成的， 减去后得到的结果就是拉普拉斯金字塔的图像。保留的是残差！
拉普拉斯金字塔是由高斯金字塔构成的，没有专门的函数
import cv2
import numpy as np
img = cv2.imread('./lena.png')
temp = cv2.pyrDown(img)
dst = cv2.pyrUp(temp)
lap0 = img - dst
cv2.imshow('dst',dst)
cv2.imshow('lap0',lap0)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
图像直方图
图像直方图的基本概念
在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表
图像直方图是用于表示数字图像中亮度分布的直方图，标绘了 图像中每个亮度值的像素数。
可以借助观察该直方图了解需要如何调整亮度分布的直方图。这种直方图中， 横坐标的左侧为纯黑、较暗的区域，而 右侧为较亮、纯白的区域。
因此，一张较暗图片的图像直方图的数据多集中于左侧和中间部分，而整体明亮，只有少量阴影的图像则相反
- 横坐标：图像中各个像素点的 灰度级（灰度值0-255每一个数字都是一个灰度级）
- 纵坐标：具有该灰度级的 *像素个数
我们从图像直方图可以看出：该幅图像存在较多很暗或者很亮的点（ 具有这些灰度级的像素个数较多），反而亮暗平衡的点较少（具有这些灰度级的像素个数较少）
看懂了之后我们就可以自主分析下面三张图啦（懒得写了…）
举个🌰：
有个3×3的图片，其中
- 像素的灰度级表示 ——> 图片中有什么数字
- 具有该灰度级的像素个数表示 ——> *这个数字在图片中出现了几次
画出上图的直方图，直方图可以有很多种。比如：
折线图：
柱状图：
归一化图：
- 横坐标：图像中各个像素点的 灰度级（图像中出现的像素值）
- 纵坐标：出现这个灰度级的 概率（图像中每一个出现的像素值次数/像素值个数）
; 直方图术语
dims：直方图中需要统计的特征的数目，也就是需要统计的项目。如dims = 1，表示我们只用统计灰度值bins：直方图中每个小区间（每个特征空间子区段）的数目，较常操作
range：我们统计灰度值的范围，一般为0-255
总的来说：直方图就是图像中各种灰度级出现的次数而画出的图
使用 OpenCV 统计直方图
关键API： cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])
images：原始图像（可以不是黑白图），加s表示可以同时对多张图片进行直方图统计 ——> 此处要加中括号，表示是一个图像集合channels：指定通道，需要用中括号”[ ]“括起来- 如果输入的图像是灰度图，那么就只有一个通道，则[ ]内写0：
[0] - 彩色图像可以是
[ 0 ], [ 1 ], [ 2 ]，分别对应 B,G,R mask：掩码图像- 统计整幅图像的直方图：设为
None - 统计图像某个区域的直方图：需要掩码图像
histSize：BINS（柱状图中的柱子）的数量- 需要用中括号括起来，如
[256]（因为是从0开始，因此有256个数字） ranges：像素值范围，例如[0,255]accumulate：累积标识- 默认值为
False（一般我们只操作一个图） - 如果被设置为
True，则 直方图在开始分配时不会被清零 - 该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图
- 多个直方图的累积结果，用于对一组图像计算直方图
- *该函数会返回直方图的数据，可以直接用
plt.plot(返回值)进行绘图！
import cv2
import numpy as np
img = cv2.imread('./lena.png')
hist = cv2.calcHist([img],[0],None,[256],[0,255])
print(hist)
结果：
从上到下分别是
灰度级0、1、2......
使用 OpenCV 绘制直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('./lena.png')
hist_B = cv2.calcHist([img],[0],None,[256],[0,255])
hist_G = cv2.calcHist([img],[1],None,[256],[0,255])
hist_R = cv2.calcHist([img],[2],None,[256],[0,255])
plt.plot(hist_B,color = 'b',label = 'Blue')
plt.plot(hist_G,color = 'g',label = 'Green')
plt.plot(hist_R,color = 'r',label = 'Red')
plt.legend()
plt.show()
结果：
对应横轴是灰度值转化来的（我们没有给定横轴的值，matplotlib自动索引的，相当于 cv2.cvtColor(img,cv2.COLOR_GRAY2BRR)）
我们可以发现：整个图都是偏红色（红色低频较少，在高频区较多），蓝色在偏低的位置（只有帽子上有一点），绿色在高频区较少（整幅图几乎没有绿色）
使用掩膜的直方图
如果你只对图片中的某一部分感兴趣（例如图像中的人脸、手…），就可以用 掩膜进行操作，选出图中的 roi区域，对该区域使用 cv2.calcHist(mask)进行直方图计算
- 掩膜
掩膜的特点：想要显示的区域是纯白的，其他不想让它显示的区域是纯黑的 - 如何生成掩膜
- 先生成一个和原始图片大小一样（
img.shape）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255：
mask[100:200,200:300] = 355
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('./lena.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
mask = np.zeros(gray.shape,np.uint8)
mask[200:400,200:400] = 255
hist_gray = cv2.calcHist([gray],[0],None,[256],[0,255])
hist_mask = cv2.calcHist([gray],[0],mask,[256],[0,255])
plt.plot(hist_gray,label = 'gray',color = 'g')
plt.plot(hist_mask,label = 'mask',color = 'r')
plt.legend()
plt.show()
cv2.imshow('gray',gray)
cv2.imshow('mask',mask)
cv2.imshow('gray&mask',cv2.bitwise_and(gray,gray,mask = mask))
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
Original: https://blog.csdn.net/m0_59466249/article/details/125909895
Author: Lionetxx
Title: OpenCV：08图像金字塔
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/645591/
转载文章受原作者版权保护。转载请注明原作者出处！