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(2N+1)*(2N+1)的原始图像I
输出:N个图像g0,…,g1。gi的大小为:(2N-i+1)*(2N-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 " ...
最新文章
- Android stadio litepal
- unity3d 不规则外发光描边_饰品,就是女人身上的星星,能让你在夏天里闪闪发光...
- Python之与众不同
- hana::detail::variadic::take用法的测试程序
- SpringBoot高级-消息-JMSAMQP简介
- 机器学习之基于A*搜索解决八数码问题15数码问题
- lcd和服务器同时显示温度,51单片机LCD1602如何同时显示温度和时间
- ASP.NET 中执行 URL 重写
- @ControllerAdvice + @ExceptionHandler 全局处理 Controller 层异常
- shell脚本spawn_如何使用child_process.spawn将Python / Ruby / PHP Shell脚本与Node.js集成
- 微软开始取消 Windows 10 对 32 位系统的支持
- 中兴助力软银开启首次5G测试
- mysql5.7下载与安装(windows10)
- 微服务在微信的架构实践
- web渗透测试学习路线
- python爬虫实战:之爬取京东商城实例教程!(含源代码)
- STM32 ME909 调试难点
- 【论文笔记_对比学习_2021】CONTRASTIVE LEARNING WITH HARD NEGATIVE SAMPLES
- java 对PDF文件进行密码加密
- 将Excel中的矩阵变成列表
热门文章
- 结构类型需要重载GetHashCode和Equals
- Sqoop export(Hive to MySQL) 的一些 reference
- MONyog-数据库性能监控工具
- HTML 5 服务器发送事件
- BZOJ 1263 整数划分(数学+高精度)
- codeforces 679A Bear and Prime 100 交互
- 下列服务使用的默认端口:ftp,ssh,telnet,dhcp,mail,pop3,smtp,dns,http,sm
- C#网络版斗地主——出牌权限的传递
- Flex与.NET互操作(十三):FluorineFx.Net实现视频录制与视频回放
- XReport报表工具技术白皮书