目錄

1、下采樣

Python自帶函數(shù)

自定義函數(shù)

Python實現(xiàn)下采樣

2、上采樣

Python自帶函數(shù)

自定義函數(shù)

Python實現(xiàn)

3、金字塔加速策略

金字塔加速模板匹配具體步驟：

---

具體可參考：https://blog.csdn.net/Eastmount/article/details/89341077

本文補充了用Python自定義函數(shù)來實現(xiàn)下采樣和上采樣

1、下采樣

Python自帶函數(shù)

dst = pyrDown(src[, dst[, dstsize[, borderType]]])

• src表示輸入圖像，
• dst表示輸出圖像，和輸入圖像具有一樣的尺寸和類型
• dstsize表示輸出圖像的大小，默認(rèn)值為Size()
• borderType表示像素外推方法，詳見cv::bordertype

自定義函數(shù)

首先高斯模糊

再將偶數(shù)行和列的像素格刪除

為了防止刪除后鄰近像素相差較大，一般需要對下采樣后的圖像進(jìn)行2*2的均值平滑操作

Python實現(xiàn)下采樣

import cv2 import numpy as np img = cv2.imread('pic1.jpg',0) #自定義 def defImgDownM(img):h,w = img.shape#定義下采樣輸出圖像大小if h%2 == 0:h = int(h/2)#這里是因為除法得到的是2.0，而創(chuàng)建新圖像時的行列數(shù)必須是整數(shù)else:h = int(h/2) + 1#若為偶數(shù)行數(shù)則直接一半像素，否則就是向下取整再加1if w%2 == 0:w = int(w/2)else:w = int(w/2) + 1#若為偶數(shù)列數(shù)則直接一半像素，否則就是向下取整再加1imgDown = np.zeros((h,w),np.uint8)#定義高斯卷積核kernalDown = np.array([[1/16,2/16,1/16],[2/16,4/16,2/16],[1/16,2/16,1/16]])#1、進(jìn)行高斯模糊img1 = cv2.filter2D(img, -1, kernalDown)#-1表示和原圖像深度一樣，也就是大小和比特都和原圖像一樣#2、刪除偶數(shù)列和行for i in range(h):for j in range(w):imgDown[i,j] = img1[2*i,2*j]#3、均值平滑krenal = np.array([[1/4,1/4],[1/4,1/4]])imgDown = cv2.filter2D(imgDown, -1, krenal)cv2.namedWindow('defImgDown',0)cv2.namedWindow('1',0)cv2.imshow('1',img)cv2.imshow('defImgDown',imgDown)cv2.waitKey(0) # def sysImgDown(img):imgdown = cv2.pyrDown(img)cv2.namedWindow('sysImgDown',0)cv2.imshow('sysImgDown',imgdown)cv2.waitKey(0)if __name__ == '__main__':defImgDownM(img)sysImgDown(img)

?

2、上采樣

Python自帶函數(shù)

dst = pyrUp(src[, dst[, dstsize[, borderType]]])

• src表示輸入圖像，
• dst表示輸出圖像，和輸入圖像具有一樣的尺寸和類型
• dstsize表示輸出圖像的大小，默認(rèn)值為Size()
• borderType表示像素外推方法，詳見cv::bordertypes

自定義函數(shù)

（1）定義輸出圖像，擴大成原來的2倍

（2）將原先的像素依次復(fù)制給新圖像的偶數(shù)列

（3）利用4倍的高斯核進(jìn)行卷積

（4）得到的就是上采樣的圖像了

Python實現(xiàn)

import cv2 import numpy as np img = cv2.imread('pic1.jpg',0) h,w = img.shape #1、定義新圖像大小 img1 = np.zeros((2*h,2*w),np.uint8) #定義4倍的高斯核 kernal = np.array([[4/16,8/16,4/16],[8/16,16/16,8/16],[4/16,8/16,4/16]]) for i in range(h):for j in range(w):img1[2*i,2*j] = img[i,j] #卷積 img1 = cv2.filter2D(img1, -1, kernal) #Python自帶的函數(shù) img2 = cv2.pyrUp(img)# ##下面是進(jìn)行多次下采樣 # img11 = img1.copy() # for i in range(6): # img11 = cv2.pyrDown(img11) # print(img11.shape)cv2.namedWindow('1',0) cv2.namedWindow('2',0) cv2.imshow('1',img1) cv2.imshow('2',img11) cv2.waitKey(0)

3、金字塔加速策略

這個策略主要用在模板匹配上，先將模板和圖像以相同的層數(shù)進(jìn)行下采樣，得到匹配點后再進(jìn)行上采樣返回到第0層得到第0層時的坐標(biāo)

金字塔加速模板匹配具體步驟：

1、先獲得同層級的模板和原圖像下采樣圖像；

2、用高層的模板匹配同一層級的待測圖像（假設(shè)3層，0,1,2,3）

3、根據(jù)2可以得到匹配點（x3,y3），設(shè)這個點為匹配區(qū)域的左上角點

4、將其向上一層級返回（x2,y2）= (2x3,2y3)

...

5、如此循環(huán)，返回到第0層即源圖像，（x0,y0）=(2^nxn,2^nyn)

6、得到角點后就能夠繪制出ROI區(qū)域，左上角點（x0,y0）,右下角點（x0',y0'）= (x0+x0_template,y0+y0_template)，其中x0_template是模板第0級的高

總結(jié)

以上是生活随笔為你收集整理的【图像处理】——上采样、下采样、在模板匹配中的金字塔加速策略的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。