opencv 图像金字塔

图像金字塔被广泛用于各种视觉应用中。图像金字塔是一个图像集合，集合中所有的图像都源于同一个原始图像，而且是通过对原始图像连续降采样活得，直到达到某个中止条件才停止降采样。（当然，降为一个像素肯定是中止条件。）

有两种类型的图像金字塔常常出现在文献和应用中：高斯金字塔用来向下降采样图像，而拉普拉斯金字塔则用来从金字塔低层图像中向上采样重建一个图像。

要从金字塔第 i 层生成第i+1 层，我们先要用高斯核对第i 层进行卷积，然后删除所有偶数行和偶数列。当然，新得到的图像面积会变为源图像的四分之一。按上述过程对输入图像循环执行操作就可产生整个金字塔。

Opencv为我们提供了从金字塔中上一级图像生成下一级图像的方法：cvPyrDown。同样，我们可以通过后面相似的函数（但不是降采样的逆操作）将现有的图像在每个维度上都放大两倍：cvPyrUp。在这种情况下，图像首先在每个维度上都扩大为原来的两倍，新增的行（偶数行）以0填充。然后给指定的滤波器进行卷积（实际上是一个在每一维上都扩大为两倍的过滤器）去估计”丢失“像素的近似值。

我们之前注意到函数cvPyrUp并不是函数cvPyrDown的逆操作。之所以这样是因为cvPyrDown是一个会丢失信息的函数。为了恢复原来（更高的分辨率）的图像，我们需要获得由降采样操作丢失的信息。

PyrDown
图像的下采样
void cvPyrDown( const CvArr* src, CvArr* dst, int filter=CV_GAUSSIAN_5x5 );
src
输入图像.
dst
输出图像, 宽度和高度应是输入图像的一半 ,传入前必须已经完成初始化
filter
卷积滤波器的类型，目前仅支持 CV_GAUSSIAN_5x5
函数 cvPyrDown 使用 Gaussian 金字塔分解对输入图像向下采样。首先它对输入图像用指定滤波器进行卷积，然后通过拒绝偶数的行与列来下采样图像。
[编辑]
PyrUp
图像的上采样
void cvPyrUp( const CvArr* src, CvArr* dst, int filter=CV_GAUSSIAN_5x5 );
src
输入图像.
dst
输出图像, 宽度和高度应是输入图像的2倍
filter
卷积滤波器的类型，目前仅支持 CV_GAUSSIAN_5x5
函数 cvPyrUp 使用Gaussian 金字塔分解对输入图像向上采样。首先通过在图像中插入 0 偶数行和偶数列，然后对得到的图像用指定的滤波器进行高斯卷积，其中滤波器乘以4做插值。所以输出图像是输入图像的 4 倍大小。（hunnish: 原理不清楚，尚待探讨）

实际应用如下：

#include "StdAfx.h"
#include "highgui.h"  
#include"cv.h"  

//superdont
//blog.csdn.net/superdont
int main(int argc,char ** argv)  
{  
	IplImage * src = cvLoadImage("guagua.bmp");  
	IplImage * result1 = cvCreateImage(  
		cvSize( src->width/2, src->height/2 ),  
		src->depth,  
		src->nChannels  
		);  
	cvPyrDown( src, result1,CV_GAUSSIAN_5x5);  
	IplImage * result2 = cvCreateImage(  
		cvSize( src->width*2, src->height*2 ),  
		src->depth,  
		src->nChannels  
		);  
	cvPyrUp( src, result2,CV_GAUSSIAN_5x5);  
	cvNamedWindow("source",1);
	cvShowImage("source",src);
	cvNamedWindow(  "PyrDown" ,1);  
	cvShowImage( "PyrDown", result1);  
	cvNamedWindow(  "PyrUp" ,1);  
	cvShowImage( "PyrUp",result2);  
	cvWaitKey(0);  
	cvReleaseImage(&src); 
	cvReleaseImage(&result1);  
	cvReleaseImage(&result2);  
	cvDestroyAllWindows();  
	return 0;  
}  

参考：

http://blog.csdn.net/superdont/article/details/6661409

http://blog.csdn.net/bruce_zeng/article/details/8095257