09- OpenCV:图像上采样和降采样

这篇具有很好参考价值的文章主要介绍了09- OpenCV:图像上采样和降采样。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

1、上采样和降采样 简介

2、采样的应用场景

3、采样的API

4、图像金字塔概念

5、代码演示


1、上采样和降采样 简介

在图像处理中,上采样(Upsampling)和降采样(Downsampling)是常用的操作。

(1)上采样(Upsampling)

        上采样是将图像的分辨率增加的过程,通常使用插值方法来填充新生成的像素。OpenCV中常用的上采样函数是cv::resize,可以通过指定目标图像的尺寸来实现上采样。

(2)降采样(Downsampling)

        降采样(Downsampling): 降采样是将图像的分辨率减小的过程,通常是通过删除或合并像素来实现。OpenCV中常用的降采样函数是cv::pyrDown,可以将图像尺寸减小一半

2、采样的应用场景

采样主要用于改变图像的分辨率;

(1)图像缩放:上采样和降采样可以用于调整图像的尺寸,实现图像的放大或缩小操作。上采样可以增加图像的分辨率,降采样可以减小图像的分辨率。

(2)图像金字塔:上采样和降采样是构建图像金字塔的基础操作。图像金字塔可以用于多尺度图像处理,如图像融合、图像特征提取、图像分割等。

(3)目标检测与识别:在目标检测和识别任务中,通常需要对输入图像进行预处理。上采样和降采样可以用于将输入图像调整到模型要求的尺寸,以便进行后续的处理和分析。

(4)图像压缩:在图像压缩算法中,降采样被广泛应用。通过降低图像的分辨率,可以减少图像数据的量,从而实现图像的压缩。

(5)图像重建:在图像重建任务中,上采样可以用于恢复图像的细节信息。通过上采样操作,可以将低分辨率的图像重建为高分辨率的图像。

(6)图像处理滤波:在一些图像处理滤波算法中,如模糊滤波、锐化滤波等,通常需要对图像进行上采样或降采样操作,以便更好地处理图像的细节和特征。

这些只是上采样和降采样的一些常见应用场景,实际上还有很多其他领域和任务也会使用到这两种操作。根据具体的需求和任务,选择合适的上采样和降采样方法非常重要。

3、采样的API

(1)上采样(cv::pyrUp) – zoom in 放大

pyrUp(Mat src, Mat dst, Size(src.cols*2, src.rows*2)) 生成的图像是原图在宽与高各放大两倍

// 函数原型

cv::pyrUp(

InputArray src, // 输入图像

OutputArray dst, // 输出图像,尺寸为原图像的2倍

const Size& dstsize = Size(), // 目标图像的尺寸,默认为空,表示根据原图像计算得出

int borderType = BORDER_DEFAULT // 边界类型,默认为BORDER_DEFAULT

)

(2)降采样 (cv::pyrDown) – zoom out 缩小

pyrDown(Mat src, Mat dst, Size(src.cols/2, src.rows/2)) 生成的图像是原图在宽与高各缩小1/2

// 函数原型

cv::pyrDown(

InputArray src, // 输入图像

OutputArray dst, // 输出图像,尺寸为原图像的一半

const Size& dstsize = Size(), // 目标图像的尺寸,默认为空,表示根据原图像计算得出

int borderType = BORDER_DEFAULT // 边界类型,默认为BORDER_DEFAULT

)
 

4、图像金字塔概念

(1)我们在图像处理中常常会调整图像大小,最常见的就是放大(zoom in)和缩小(zoom out),尽管几何变换也可以实现图像放大和缩小,但是这里我们介绍图像金字塔

        一个图像金字塔式一系列的图像组成,最底下一张是图像尺寸最大,最上方的图像尺寸最小,从空间上从上向下看就想一个古代的金字塔。

09- OpenCV:图像上采样和降采样,OpenCV,opencv,人工智能,计算机视觉,图像上采样和降采样

从图看得出来:

        — 分辨率往下越来越高,叫“上采样”,得到一个更高分辨率的图像。

        —分辨率往上越来越低,叫“降采样”,得到一个更低分辨率的图像。

(2)认识2个重要的概念:

— 高斯金子塔 – 用来对图像进行降采样

— 拉普拉斯金字塔:用来重建一张图片根据它的上层降采样图片

(3)图像金字塔概念 – 高斯金字塔

        1)高斯金子塔是从底向上,逐层降采样得到。

        2)降采样之后图像大小是原图像MxN的M/2 x N/2 ,就是对原图像删除偶数行与列,即得到降采样之后上一层的图片。

        3)高斯金子塔的生成过程分为两步:    

- 对当前层进行高斯模糊      

- 删除当前层的偶数行与列     

即可得到上一层的图像,这样上一层跟下一层相比,都只有它的1/4大小。

09- OpenCV:图像上采样和降采样,OpenCV,opencv,人工智能,计算机视觉,图像上采样和降采样

(4)高斯不同(Difference of Gaussian-DOG)

        1)定义:就是把同一张图像在不同的参数下做高斯模糊之后的结果相减,得到的输出图像。称为高斯不同(DOG)

        2)高斯不同是图像的内在特征,在灰度图像增强、角点检测中经常用到。

5、代码演示
#include <opencv2/opencv.hpp>
#include <iostream>
#include "math.h"

using namespace cv;
int main(int agrc, char** argv) {
	Mat src, dst;
	src = imread("test.jpg");
	if (!src.data) {
		printf("could not load image...");
		return -1;
	}

	char INPUT_WIN[] = "input image";
	char OUTPUT_WIN[] = "sample up";
	namedWindow(INPUT_WIN, CV_WINDOW_AUTOSIZE);
	namedWindow(OUTPUT_WIN, CV_WINDOW_AUTOSIZE);
	imshow(INPUT_WIN, src);

	// 上采样
	pyrUp(src, dst, Size(src.cols*2, src.rows * 2));
	imshow(OUTPUT_WIN, dst);

	// 降采样
	Mat s_down;
	pyrDown(src, s_down, Size(src.cols / 2, src.rows / 2));
	imshow("sample down", s_down);

	// DOG
	Mat gray_src, g1, g2, dogImg;
	cvtColor(src, gray_src, CV_BGR2GRAY);
	GaussianBlur(gray_src, g1, Size(5, 5), 0, 0);
	GaussianBlur(g1, g2, Size(5, 5), 0, 0);
	subtract(g1, g2, dogImg, Mat());

	// 归一化显示
	normalize(dogImg, dogImg, 255, 0, NORM_MINMAX);
	imshow("DOG Image", dogImg);

	waitKey(0);
	return 0;
}

效果展示:(左边是高斯金字塔,右边是高斯不同DOG)

09- OpenCV:图像上采样和降采样,OpenCV,opencv,人工智能,计算机视觉,图像上采样和降采样09- OpenCV:图像上采样和降采样,OpenCV,opencv,人工智能,计算机视觉,图像上采样和降采样文章来源地址https://www.toymoban.com/news/detail-795071.html

到了这里,关于09- OpenCV:图像上采样和降采样的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 人工智能论文通用创新点(一)——ACMIX 卷积与注意力融合、GCnet(全局特征融合)、Coordinate_attention、SPD(可替换下采样)

    论文地址:https://arxiv.org/pdf/2111.14556.pdf         为了实现卷积与注意力的融合,我们让特征图经过两个路径,一个路径经过卷积,另外一个路径经过Transformer,但是,现在有一个问题,卷积路径比较快,Transformer比较慢。因此,我们让Q,K,V通过1*1的卷积得到,同时使用窗口注意

    2024年02月10日
    浏览(49)
  • Stable Diffusion人工智能图像合成

    AI 图像生成大有来头。新发布的开源图像合成模型称为Stable Diffusion,它允许任何拥有 PC 和像样的 GPU 的人想象出他们能想象到的几乎任何视觉现实。它几乎可以模仿任何视觉风格,如果你给它输入一个描述性的短语,结果就会像魔术一样出现在你的屏幕上。 一些艺术家 对这

    2024年02月09日
    浏览(48)
  • Bard:一个可以描述图像的人工智能

    Bard 是一个大型语言模型,可以对各种提示和问题进行交流和生成类似人类的文本。它接受了大量的文字和代码训练,可以生成文本、翻译语言、编写不同类型的创意内容,并以信息丰富的方式回答你的问题。 Bard 还可以识别图像。它可以识别图像中的对象、场景和人物。它

    2024年02月17日
    浏览(45)
  • 人工智能在图像处理领域的应用

    随着科技的不断发展,人工智能(AI)逐渐成为当今社会的热点话题。人工智能正在逐渐渗透到人类生活的各个领域,改变着我们的生活方式和社会结构。在图像处理领域,人工智能的应用也越来越广泛,为图像处理带来了更高效、更准确的解决方案。本文将从图像分类、图

    2024年02月04日
    浏览(58)
  • Python人工智能应用--图像识别&&深度学习

    像素(缩写为px)是图像中的最小单位,由一个个小方格组成。 这些小方格都有一个固定的位置和颜色,共同决定了图像所呈现出来的样子。 这些小方格的行数与列数又被叫做分辨率。我们常说的某幅图像的分辨率是1280×720,指的就是这张图中的每一行都有1280个像素,每一列都

    2024年04月09日
    浏览(71)
  • 【人工智能Ⅱ】实验2:VGG图像分类

    实验2:VGG图像分类 一:实验目的与要求 1:掌握VGG网络的原理与结构。 2:学会利用VGG网络建立训练模型,并对模型进行评估。 3:学会使用VGG网络进行分类。 二:实验内容 1:用VGG网络对自选图像数据集进行多分类预测。 2:应用图像增强方法进行数据集的扩充。 3:调整

    2024年04月26日
    浏览(44)
  • 【人工智能图像补全复现】基于GAN的图像补全

    本文解析和实现论文Globally and Locally Consistent Image Completion中的相关方法。论文亮点在于使用全局(整张图片)和局部(缺失补全部分)两种鉴别器来训练,并运用GAN使生成图像在各个尺度的特征与真实图像匹配。 :GAN;图像补全;多种鉴别器训练 文章来源:SIGGRAPH 2

    2024年04月24日
    浏览(38)
  • AI人工智能课题:图像增强图像修复系统的设计与实现(基于百度智能云AI接口)

     博主介绍 :黄菊华老师《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者,CSDN博客专家,在线教育专家,CSDN钻石讲师;专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程,免费 项目配有对应开发文档、开题报告、任务书、

    2024年02月03日
    浏览(57)
  • 基于Springboot+百度AI人工智能图像图片智能处理系统设计与实现

    基于Springboot+百度AI人工智能图像图片智能处理系统设计与实现  博主介绍: 《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者,CSDN博客专家,在线教育专家,CSDN钻石讲师;专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程,

    2024年02月05日
    浏览(62)
  • 人工智能在图像处理中的应用:智能摄像头与视觉识别

    人工智能(Artificial Intelligence, AI)是一种计算机科学的分支,旨在模拟人类智能的行为和能力。其中,图像处理和视觉识别是人工智能领域中的重要应用领域。随着计算能力的提高和数据量的增加,人工智能在图像处理和视觉识别方面取得了显著的进展。 智能摄像头是一种具有

    2024年02月20日
    浏览(64)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包