OpenCV图像金字塔原理与多尺度视觉应用

1. 图像金字塔基础概念解析

在计算机视觉领域，图像金字塔是一种多尺度表示方法，通过不同分辨率下的图像集合来描述同一场景。就像古埃及金字塔由底部到顶部逐渐缩小一样，图像金字塔从底层（原始图像）开始，每向上一层图像尺寸就缩小一定比例。

OpenCV中实现的金字塔主要分为两类：

• 高斯金字塔(Gaussian Pyramid)：用于图像降采样
• 拉普拉斯金字塔(Laplacian Pyramid)：用于图像重建

1.1 高斯金字塔工作原理

高斯金字塔的构建过程包含两个核心步骤：

1. 高斯平滑：使用5×5高斯核对图像进行卷积处理
2. 降采样：删除所有偶数行和偶数列

这个过程的数学表达式可以表示为：
Gₙ = Downsample(GaussianBlur(Gₙ₋₁))

其中Downsample表示下采样操作，GaussianBlur表示高斯模糊处理。

注意：OpenCV的pyrDown函数内部已经整合了这两个步骤，开发者无需手动实现

1.2 拉普拉斯金字塔的补充作用

拉普拉斯金字塔保存的是不同层级之间的差异信息，其构建公式为：
Lₙ = Gₙ - UpSample(Gₙ₊₁)

这解释了为什么简单的pyrUp操作无法完全恢复降采样前的图像——因为高频细节信息已经丢失。在实际应用中，拉普拉斯金字塔常用于图像压缩和图像融合等场景。

2. 采样操作核心实现详解

2.1 基础代码实现优化版

以下是经过优化的完整实现代码，增加了错误处理和结果保存功能：

python复制import cv2
import numpy as np
import os

def image_pyramid_ops(input_path):
    # 增强型图像读取
    if not os.path.exists(input_path):
        raise FileNotFoundError(f"输入图像路径不存在: {input_path}")
    
    src = cv2.imread(input_path)
    if src is None:
        raise ValueError("图像读取失败，请检查文件格式")
    
    # 创建输出目录
    os.makedirs("output", exist_ok=True)
    
    # 上采样操作
    upsampled = cv2.pyrUp(src)
    cv2.imwrite("output/upsampled.jpg", upsampled)
    
    # 降采样操作
    downsampled = cv2.pyrDown(src)
    cv2.imwrite("output/downsampled.jpg", downsampled)
    
    # 可视化对比
    comparison = np.hstack((src, upsampled, downsampled))
    cv2.imshow("Original vs Upsampled vs Downsampled", comparison)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    image_pyramid_ops("input.jpg")

2.2 参数调