Image Processing --- Gaussian Pyramid Laplacian Pyramid

一、高斯金字塔

目标：把图像分解成多个尺寸来抽取各特征

输入：size为(2^N+1)*(2^N+1)的原始图像I

输出：N个图像g0,…,g1。gi的大小为：(2^N-i+1)*(2^N-i+1)

高斯金字塔分解步骤：

a.高斯（模板/权矩阵/卷积核）平滑——对整个图像滑动加权平均（卷积：f(x)⊙h(x)=∫f(x)h(t-x)dt）

模板顺时针旋转180度，移动至待处理像素上方，滑动加权相加，直至处理完所有像素。（边缘等值扩充）

b.下采样：每隔一个点采一个样

*应用：图像特征分解

g(i+1)=(g(i).smoothing).downsampling

二、拉普拉斯金字塔

上4图为高斯金字塔，下4图为拉普拉斯金字塔。步骤：

1.上采样：每隔一个点补0或本身

2.作差：上采样的高斯图与上级高斯图相减

L(i)=g(i)-g(i+1).expand

*应用：图像重构（需要L(1),…L(n)和g(n+1)）

g(3)=L(3)+g(4).expand; g(2)=L(2)+g(3).expand; g(1)=L(1)+g(2).expand;

*代码copy from http://www.cnblogs.com/tiandsp/archive/2013/06/07/3123755.html：

 1 clear all; close all; clc;
 2
 3 img=double(imread('lena.jpg'));
 4 [m n]=size(img);
 5
 6 w=1/256*[1  4  6  4 1;      %拉普拉斯滤波器
 7 16 24 14 4;
 8 24 36 24 6;
 9 16 24 16 4;
10  4  6  4 1];
11
12 imgn{1}=img;
13 for i=2:5                   %滤波，下采样
14    imgn{i}=imfilter(imgn{i-1},w,'replicate');
15    imgn{i}=imgn{i}(1:2:size(imgn{i},1)-1,1:2:size(imgn{i},2)-1); %i-1级近似
16 end
17
18 for i=5:-1:2        %调整图像大小
19    imgn{i-1}=imgn{i-1}(1:2*size(imgn{i},1),1:2*size(imgn{i},2));
20 end
21
22  for i=1:4          %获得残差图像，i级预测残差
23     imgn{i}=imgn{i}-expand(imgn{i+1},w);
24  end
25
26 for i=4:-1:1        %残差图像重构原图像
27     imgn{i}=imgn{i}+expand(imgn{i+1},w);
28 end
29
30 imshow(uint8(imgn{1}));

 1 function re=expand(img,w)
 2
 3     img=double(img);
 4     w=w*4;
 5
 6     [m n]=size(img);
 7     [M N]=size(w);
 8
 9     %插入滤波器
10     w_up_left=w(1:2:M,1:2:N);
11     w_up_right=w(1:2:M,2:2:N);
12     w_down_left=w(2:2:M,1:2:N);
13     w_down_right=w(2:2:M,2:2:N);
14
15     img_up_left=imfilter(img,w_up_left,'replicate','same');
16     img_up_right=imfilter(img,w_up_right,'replicate','same');
17     img_down_left=imfilter(img,w_down_left,'replicate','same');
18     img_down_right=imfilter(img,w_down_right,'replicate','same');
19
20     re= zeros(m*2,n*2);             %上采样
21     re(1:2:m*2,1:2:n*2)=img_up_left;
22     re(2:2:m*2,1:2:n*2)=img_up_right;
23     re(1:2:m*2,2:2:n*2)=img_down_left;
24     re(2:2:m*2,2:2:n*2)=img_down_right;
25
26 end

转载于:https://www.cnblogs.com/jizhiyuan/p/3454961.html

Image Processing --- Gaussian Pyramid Laplacian Pyramid相关推荐

Local Laplacian Filters : Edge-Aware Image Processing with a Laplacian Pyramid
Abstract 因为它是由空间不变的高斯核构造的,所以拉普拉斯金字塔被广泛认为不适合表示边缘,以及进行边缘感知操作. 在本文中,我们展示了使用标准拉普拉斯金字塔的最先进的边缘软件处理. 我们使用像素 ...
图像融合之多波段融合（Multiband Blending）/拉普拉斯金字塔融合（Laplacian Pyramid Blending）
多波段融合又叫拉普拉斯金字塔融合. 多波段融合的思想是对待融合的图像分别构建拉普拉斯金字塔,(拉普拉斯算子可以提取出图像的高频信息,在拉普拉斯金字塔中,越往上层的图像越高频)然后对同一层图像按照某种规 ...
Computer Vision（C. Rasche）计算机视觉论文解读（3 Image Processing I: Scale Space, Pyramid and Gradient Image）
目录 3 Image Processing I: Scale Space, Pyramid and Gradient Image 3.1 Scale Space 3.2 Pyramid 3.3 Gra ...
Drafting and Revision: Laplacian Pyramid Network for Fast High-Quality Artistic Style Transfer--T Li
[1] Lin T , Ma Z , Li F , et al. Drafting and Revision: Laplacian Pyramid Network for Fast High-Qual ...
CVPR-Drafting and Revision: Laplacian Pyramid Network for Fast High-Quality Artistic Style Transfer
[CVPR-2021] Drafting and Revision: Laplacian Pyramid Network for Fast High-Quality Artistic Style Tr ...
超分辨率图像重建-拉普拉斯金字塔(laplacian pyramid)
<Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution>笔记,有什么理解错误的地方,欢迎大家指正. ...
Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
时间期刊方法训练集测试集损失函数效果评价指标 2017年 cvpr 一种从粗到细逐步预测的方法. 291数据集.使用三种方式进行数据扩充. SET5 [2], SET14 [39], B ...
论文笔记：Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks
本文是论文<Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks>的阅读笔记 ...
Reproducible Research in Computational Science
Reproducible Research in Computational Science from: http://www.csee.wvu.edu/~xinl/source.html " ...

Image Processing --- Gaussian Pyramid Laplacian Pyramid

Image Processing --- Gaussian Pyramid Laplacian Pyramid相关推荐

最新文章

热门文章