图像金字塔入门,图像金字塔原理与可能率

 

图像金字塔

图像金字塔在图像管理领域应用很多,上课的时候只记得老师讲的叁个大概的定义:图像金字塔和平时金字塔一样,它是一组图像的集聚。这一组图像分辨率不等同,它模拟人的视觉,近处看东西清楚,原处看东西模糊。但是说完这几个没有别的用,如故不知情怎么回事。上面就把那些记录下来,没事能够复习翻一翻。

 

1.高斯金字塔

高斯金字塔的树立进度是如此的:用高斯函数对图像进行滤波,分明这是贰个低通滤波,得到的图像正是三个模糊的图像。对模糊的图像实行降采集样品(图像宽高变为原来的形似),那么就取得了金字塔的一层图像。重复高斯模糊-降采集样品,就足以依次获得一组图像从G0,
G1, G2, G3…..那就是金字塔的创造进程。

  • 其一金字塔的成立进程叫做Reduce进度:
![](https://upload-images.jianshu.io/upload_images/1794530-74c22d96c3a0c74d.jpg)

Reduce过程
  • 与上述进度对应的Expand进程:
    所谓Expand,就是将上述进程反过来。即对于Reduce得到的结果比如G3拓宽升采集样品,然后开展高斯滤波,那么就可以取得上海图书馆的Expand(G3),可是此时高斯滤波卷积核值加起来为4,不是1了,因为升采集样品进度图像成为原本的4倍,可是多出去像素全部都以0,假诺滤波器卷积核值加起来依旧1,那图像全体就能够变暗比比较多。
![](https://upload-images.jianshu.io/upload_images/1794530-17ee7c950a1def3e.jpg)

Expand过程

Atitit 图像金字塔原理与可能率 attilax的通晓计算qb23

2.拉普罗斯金字塔

用第i层的高斯金字塔减去第i+1层的高斯金字塔Expand之后的结果正是拉普罗斯金字塔LP(i)。即
: LP(i) = G(i) – Expand(G(i +
1))。直观上的敞亮就是降采样进程中错过的细节音信。高斯金字塔降采集样品,升采集样品函数在OpenCV里面使用示例:

pyrUp(srcImage, dstImage, Size(srcImage.cols * 2, srcImage.rows * 2));  

pyrDown(srcImage, dstImage, Size(srcImage.cols / 2, srcImage.rows / 2));

 

3.高斯差分(DOG)金字塔

在SIFT特征提取进程中,聊到到三个多规格的高斯差分尺度空间DOG,而DOG是对LOG的一系列似(LOG具有规范不改变天性,所以SIFT特征提取用LOG算子的近似来提取特征点),简化了总计。高斯差分金字塔在上述高斯金子塔的底子上,对每一层开展了分裂程度的高斯模糊。然后对同样层之间不等模糊尺度的图像进行作差,就拿走了高斯差分金字塔。

1.1.
高斯金字塔  (  Gaussianpyramid): 拉普Ruskin字塔 (Laplacianpyramid):1

1.2.
图像金字塔 高斯金字塔 采集样品金字塔1

1.3.
尺度空间的目标是『见森林又能见树木』,墨迹一点的解释就是,在低标准下得以看掌握非常多细节,在高规格下能够阅览轮廓2

1.4.
在一幅图像中,要想描述真实世界的构造与新闻,多规格描述至关主要。2

1.5.
图像金字塔这种布局在图像管理中有科学普及的用处。最著名的特色匹配算子SIFT就是由此组织图像金字塔来成功的。
3

1.6.
在指标检测领域,图像中的物体经常很大概是远近不一样,大小不一的
3

1.7.
图像金字塔最先用于机器视觉和图像压缩,4

 

 

1.1. 高斯金字塔  (  Gaussianpyramid): 拉普Ruskin字塔 (Laplacianpyramid):

貌似意况下有两连串型的图像金字塔平日现身在文献和以及实际行使中。他们各自是:

 

高斯金字塔  (  Gaussianpyramid): 用来向下采样,主要的图像金字塔

 

拉普罗斯金字塔 (Laplacianpyramid): 用来从金字塔低层图像重新建立上层未采样图像,在数字图像管理中也正是预测残差,能够对图像举办最大程度的还原,协作高斯金字塔一同利用

 

1.2. 图像金字塔 高斯金字塔 采集样品金字塔

图像金字塔是经过将原来图像经过平滑、下采集样品所生成一八种具备不一样分辨率的图像的联谊。金字塔结构(Pyramid)适于多分辨率管理的一种图像存款和储蓄数据结构

最常用的浮动图像金字塔的点子是行使高斯函数平滑图像,每趟将分辨率减少为原来的四分之二,因此获得三个图像类别{ML,ML-1,……,M0},图像金字塔的存款和储蓄量为N^2*(1+1/4+1/16+…)=(4*N^2)/3。

1.3. 尺度空间的指标是『见森林又能见树木』,墨迹一点的讲解正是,在低规范下得以看掌握非常多细节,在高规格下可以见到概况

1.4. 在一幅图像中,要想描述真实世界的结构与音信,多规格描述至关主要

值得注意的是,事物在实际世界中是客观存在的,但经过图像,在差别口径下感知到的新闻是见仁见智的。

 

2

 

高斯图像金字塔

    此处以SIFT算法中的高斯图像金字塔(Gaussian
Pyramid)
为例,解释图像金字塔的重组。尺度可变的高斯函数如下:

 

 

1.5. 图像金字塔这种布局在图像管理中有广大的用处。最有名的风味相配算子SIFT就是经过协会图像金字塔来成功的。

有关图像金字塔在SIFT特征提取算法大红鹰葡京会娱乐,中的应用可参见雷切尔Zhang的博文“SIFT特征提取剖判”

 

1.6. 在对象检查测量检验领域,图像中的物体常常很或者是远近区别,大小不一的

,能够选择金字塔来检验差别口径下的物体。但与此同偶然间你也足以行使分化大小的sliding
window在原图上做检查实验。

举个例子说后面说的靶子检验,有个别景况下目的的生成尺度范围实际上是丰盛轻巧的,此时应当适当的设定规范的数码,来收缩不要求的计算量。比如您可以只降采集样品三遍,你也得以降采集样品柒回,去最上边的多少个标准化。后面一个的平价是……快

 

举例说OpenCV里SIFT的落成暗中认可是上采集样品二回,降采集样品至不能再压缩截止。非常多时候你实际不需求如此精美的特征点或这么high
level的特征点,也可能有个别改一下参数就足以优化一些速度回来。这里也亟需提一下SU讴歌RDXF的反向模拟尺度空间的笔触,跟下边提到的高维LBP的思路一模二样。

在点特征里面,一时候你指望您的点在全部尺度空间里都以很强的,不是这种在最先始依然叁个比较强的特征点,尺度高了之后那几个特征点就流失了。你指望你只管理那多少个从始至终都相比独立的特征点,那您就足以在金字塔的顶层提取特征点,然后只是在下边包车型地铁层开展部分寻觅验证……那样您能够一边提取着老大鲁棒的descriptor,一边还疾如雷暴……

视觉里面非常多像样直观且简单的事物往往有层见迭出用法,除了那金字塔,还会有诸如直方图,比方二值化,举例卷积,比如积分图,举个例子距离转变……等等等等。尽管都不是什么样高端的东西,一但用到巧处,也一唱三叹啊。

 

 

1.7. 图像金字塔开始时代用于机器视觉和图像压缩,

一幅图像的金字塔是一多元以金字塔形状排列的分辨率稳步下落的图像集结。金字塔的底层是待管理图像的高分辨率表示,而最上部是低分辨率的临近。当向金字塔的上层移动时,尺寸和分辨率就暴跌。
力排众议上讲,最佳是2^n * 2 ^n
尺寸的图样,但实质上大家经过补0扩展、近似、内插等方法,能够管理任何尺寸的图纸。

在一些边缘检查测量检验算法里面,为了忽略相比较弱的边,也会利用尺度空间来开展降采集样品(对,高斯滤波超越56%时候被精晓成某种去噪/平滑操作,其实也是尺度空间思想)。

在部分基于特征的归类和辨认难题之中,也可以有尺度空间的黑影。譬如遵照高维LBP的人脸识别,当中LBP直方图的领取格局就包蕴有尺度空间的怀恋。

尺度空间的主见实在非常直观(当然申明它怎么那么组织只怕会比较艰苦),可是因为尺度空间的构造和操作往往也是算法里面比较困难的位置,所以针对的优化也应该说一下。

 

 

OpenCV图像管理篇之采集样品金字塔

  • xiahouzuoxin – 博客频道 – CSDN.NET.html

图像处理之高斯金字塔 – 流浪的鱼 –
博客频道 – CSDN.NET.html

(3
条新闻) 图像金字塔除了sift算法之外还会有何样应用? – 果壳网.html

Python图像管理(16):图像金字塔.html

12图像金字塔.htm

 

小编:: 绰号:老哇的爪子 ( 全名::Attilax Akbar Al Rapanui 阿提拉克斯 Ake巴 阿尔 拉帕努伊 ) 

汉字名:艾提拉(艾龙),   EMAIL:1466519819@qq.com

转发请注明来源: http://www.cnblogs.com/attilax/

Atiend

 

 

相关文章

admin

网站地图xml地图