python图像处理：基于图像金字塔的视频融合效应原理cmdmb金字塔差分金字塔(薄舞蹈金字塔)重建与融合编码
效果
不用说，先看看实际效果。 以熊猫为主图，苹果为融合源。
留下熊猫的边缘信息与部分颜色信息，苹果的部分色彩信息
融入比例可以动态调整
原理在这里简单介绍，详细情况请自己参照资料
参照链接1
cmdmb金字塔对整个图像重复cmdmb滤波和下采样，所有构成的图像的集合构成图像的cmdmb金字塔。
差分金字塔(薄舞蹈金字塔)对cmdmb金字塔逐层差异，获得损失信息。
Q:损失信息是什么？
A: cmdmb滤波丢失高频信息，高频信息一般是边缘等变化强烈的信息。
重建和融合可以修改颜色信息，使得将差分金字塔中的最高等级(即，最小边缘信息)与cmdmb金字塔中的相应层级数量相加，进而上采样并且继续相加差分金字塔中相应层级数量的信息…
注意：本文只是在选择基本颜色信息时随机选择的。 当然，有更好的方法。
代码导入c v2导入numpyasnpimportrandomdefpreview (src _ 1， src_2) :img1=cv2.imread(src_1) img2=cv2.im read (src _2) cmdmb金字塔Gaussian _ py _1=[ img1] gauad cmdmb金字塔forIinrange(5) : tmp _1=cv2.pyr down (Gaussian _ py _1[ I ] ) tmp Gussian_py_1.append(tmp_1 ) -1) 3360 RR cols _1=Gaussian _ py _1[ I-1 ].shape [ :2 ] tmp _1=cv2.pyr up (src=Gaussian _ py _1[ cols _2=Gaussian _ py _2[ I-1 ].shape [ 33602 ] rows _2) (tmp_2) cv2.subtract ) Gaussian _ py _2[ I tmp_2) la palace _ py _2. append (tmp _2) ) ) ) 652 cv2.window _ normal (cv2.create trackbar (perck bar ) nothing ) while(1)1) : percent=cv2 ' preview ' (a=fusion _ func (Gaussian _ py _1[5].copy )，Gaussian lapy () ) ) ) ) )、percent a ) k=cv2.waitkey(1000 )0xffifk==27: break cv2. destroyallwindows ) ) def fusion lapalace_py_1) : ori _ fusion _ pyramid=[ ] src _1=img1src _2=img2rows，cols=img1.shape(:2 ) (cols，rows ) ) history=[] #颜色混合foriinrange (int (total _ size * percent/100 ) ) 3360 random _ row=random . random_col ) in history ) : random _ row=random.randint (0) 0， rows-1 ) random cols-1 (src _1[ random _ row ] [ random _ col ]=src _2[ random _ row ] [ random _ col ] History.append ) ) random_col ) History.append ) ) 65 random_col () ori _ fusion _ pyramid.append (src _1) forIinrange(5) :tmp=cv2.pyrup(ori_fusion_ )重建_=la palace _ py _1[ I ].shape tmp=cv2.resize () la palace _ py _1[ I ] (ori _ fusion _ pyramid.append (tmp ) returnori_fusion_pyramid(-1 ) defnothing ) what