1、下采样

Python自带函数

自定义函数

Python实现下采样

2、上采样

Python自带函数

自定义函数

Python实现

3、金字塔加速策略

金字塔加速模板匹配具体步骤：

具体可参考：https://blog.csdn.net/Eastmount/article/details/89341077

本文补充了用Python自定义函数来实现下采样和上采样

1、下采样

Python自带函数

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

src表示输入图像，
dst表示输出图像，和输入图像具有一样的尺寸和类型
dstsize表示输出图像的大小，默认值为Size()
borderType表示像素外推方法，详见cv::bordertype

自定义函数

首先高斯模糊

再将偶数行和列的像素格删除

为了防止删除后邻近像素相差较大，一般需要对下采样后的图像进行2*2的均值平滑操作

Python实现下采样

import cv2
import numpy as np
img = cv2.imread('pic1.jpg',0)
#自定义
def defImgDownM(img):h,w = img.shape#定义下采样输出图像大小if h%2 == 0:h = int(h/2)#这里是因为除法得到的是2.0，而创建新图像时的行列数必须是整数else:h = int(h/2) + 1#若为偶数行数则直接一半像素，否则就是向下取整再加1if w%2 == 0:w = int(w/2)else:w = int(w/2) + 1#若为偶数列数则直接一半像素，否则就是向下取整再加1imgDown = np.zeros((h,w),np.uint8)#定义高斯卷积核kernalDown = np.array([[1/16,2/16,1/16],[2/16,4/16,2/16],[1/16,2/16,1/16]])#1、进行高斯模糊img1 = cv2.filter2D(img, -1, kernalDown)#-1表示和原图像深度一样，也就是大小和比特都和原图像一样#2、删除偶数列和行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、上采样

Python自带函数

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

src表示输入图像，
dst表示输出图像，和输入图像具有一样的尺寸和类型
dstsize表示输出图像的大小，默认值为Size()
borderType表示像素外推方法，详见cv::bordertypes

自定义函数

（1）定义输出图像，扩大成原来的2倍

（2）将原先的像素依次复制给新图像的偶数列

（3）利用4倍的高斯核进行卷积

（4）得到的就是上采样的图像了

Python实现

import cv2
import numpy as np
img = cv2.imread('pic1.jpg',0)
h,w = img.shape
#1、定义新图像大小
img1 = np.zeros((2*h,2*w),np.uint8)
#定义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]
#卷积
img1 = cv2.filter2D(img1, -1, kernal)
#Python自带的函数
img2 = cv2.pyrUp(img)# ##下面是进行多次下采样
# 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

这个策略主要用在模板匹配上，先将模板和图像以相同的层数进行下采样，得到匹配点后再进行上采样返回到第0层得到第0层时的坐标

金字塔加速模板匹配具体步骤：

1、先获得同层级的模板和原图像下采样图像；

2、用高层的模板匹配同一层级的待测图像（假设3层，0,1,2,3）

3、根据2可以得到匹配点（x3,y3），设这个点为匹配区域的左上角点

4、将其向上一层级返回（x2,y2）= (2x3,2y3)

...

5、如此循环，返回到第0层即源图像，（x0,y0）=(2^nxn,2^nyn)

6、得到角点后就能够绘制出ROI区域，左上角点（x0,y0）,右下角点（x0',y0'）= (x0+x0_template,y0+y0_template)，其中x0_template是模板第0级的高

【图像处理】——上采样、下采样、在模板匹配中的金字塔加速策略相关推荐

深度学习上采样下采样概念以及实现
#pic_center =400x 系列文章: 文章目录参考博客概念上采样下采样实现上采样下采样参考博客 [深度学习]上采样,下采样,卷积 torch.nn.functional.in ...
降采样,下采样,池化
概念缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的有两个:1.使得图像符合显示区域的大小:2.生成对应图像的缩略图. 放大图像(或称为上采样(upsam ...
模板匹配中差值的平方和（SSD）与互相关准则的关系
模板匹配中差值的平方和(SSD)与互相关准则的关系 zouxy09@qq.com http://blog.csdn.net/zouxy09 模板匹配TemplateMatching是在图像中寻找目标的 ...
过采样与欠采样图像重采样（上采样下采样）
参考文章: https://blog.csdn.net/majinlei121/article/details/46742339 https://blog.csdn.net/Chaolei3/arti ...
重采样上采样下采样
重采样的原理: 重采样主要是分为上采样和下采样,在进行采样的过程中,需要注意采样的倍率的问题,并不是可以随意的改变采样率的大小的,根据采样定理:在进行模拟/数字信号的转换过程中,当采样频率fs.max ...
卷积反卷积上采样下采样区别
1.卷积就是利用卷积核步长前进卷积整个图片 2.反卷积反卷积的具体操作原图输入尺寸为[1,3,3,3]对应[batch_size,channels,width,height] 反卷积tco ...
opencv-python图像处理 ----边界矩形、外接圆、模板匹配
为了能好的体现函数,使用画板又画了一幅图像用来轮廓检测运行上一节的笔记代码,可以检测出来形状的轮廓. 边界矩形可以将某一边界使用矩形绘制出来,确定一个矩形需要四个点,因此使用函数: def f_co ...
副族元素从上到下原子半径_元素周期表中原子半径跟元素序数的关系
展开全部元素周期表中原子半径跟元素序数的关系: 1.主族元素:同主族的,从上到下,半径逐渐32313133353236313431303231363533e58685e5aeb93133336566 ...
python下采样_python + opencv 如何在上采样下采样之后导出图片？
该楼层疑似违规已被系统折叠隐藏此楼查看此楼 import cv2 def pyramid_demo(image): level = 3 temp = image.copy() pyramid_ima ...

【图像处理】——上采样、下采样、在模板匹配中的金字塔加速策略

1、下采样

Python自带函数

自定义函数

Python实现下采样

2、上采样

Python自带函数

自定义函数

Python实现

3、金字塔加速策略

金字塔加速模板匹配具体步骤：

【图像处理】——上采样、下采样、在模板匹配中的金字塔加速策略相关推荐

最新文章

热门文章