图像金字塔是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效且概念简单的结构。简单来说，图像金字塔是同一图像不同分辨率的子图集合（有800×800、480×640…）
图像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐渐降低、且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。
金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低
高斯金字塔固定了缩放比，即如果你是800×800的图，无法缩放成500×500
我们将要学习用什么方法，如何去生成这些图像金字塔
常见两类图像金字塔：
高斯金字塔是通过高斯平滑和亚采样（一个图形中取出一小块）获得的一系列下采样图像
原理非常简单：如下图所示
原始图像分辨率M*N ——> 处理图像后分辨率M/2 * N/2；即每次处理后，结果是原来的1/4（不要求是偶数，会自动四舍五入）
注意：向下采样（分辨率减小，在上图中表现为方向向上）会丢失信息
关键API：cv2.pyrDown(src[, dst[, dstsize[, borderType]]])
其中：
src：需要操作的图片dst：返回值，不用写，我们用一个参数接受即可dstsize：返回图片的大小# 高斯金字塔 ——> 向下采样
import cv2
import numpy as np
img = cv2.imread('./lena.png')
# 分辨率减小的操作：下采样
dst = cv2.pyrDown(img)
# 还可再变化多次
dst2 = cv2.pyrDown(dst)
# 展示
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('dst2',dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
其实清晰度几乎没变，这就是图像金字塔的厉害之处：虽然丢掉了偶数行和偶数列，但是经过了高斯核函数卷积后，相当于把一个像素点匀到周围了，因此变化不大
向上采样是向下采样的相反过程，指图片从小变大的过程
操作和向下采样一样！
关键API：cv2.pyrUp(src[, dst[, dstsize[, borderType]]])
其中：
src：需要操作的图片dst：返回值，不用写，我们用一个参数接受即可dstsize：返回图片的大小# 高斯金字塔 ——> 向上采样
import cv2
import numpy as np
img = cv2.imread('./Hello.jpeg')
# 分辨率减小的操作：下采样
dst = cv2.pyrUp(img)
# 还可再变化多次
# dst2 = cv2.pyrUp(dst)
# 展示
cv2.imshow('img',img)
cv2.imshow('dst',dst)
# cv2.imshow('dst2',dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
拉普拉斯金字塔图像 = 原始图像 - 上采操作函数（下采操作函数(原始图像)）
将降采样之后的图像在进行上采样操作，然后与之前还没降采样的原图进行做差得到残差图！为还原图像做信息的准备！
也就是说，拉普拉斯金字塔是通用原图像减去先缩小后再放大的图像（高斯金字塔） 的一系列图像构成的，减去后得到的结果就是拉普拉斯金字塔的图像。保留的是残差！
拉普拉斯金字塔是由高斯金字塔构成的，没有专门的函数
# 拉普拉斯金字塔
# 原图 - 先缩小再放大的图（这样才能变回原图大小，方便做差）
import cv2
import numpy as np
img = cv2.imread('./lena.png')
# 先缩小
temp = cv2.pyrDown(img)
# 再放大
dst = cv2.pyrUp(temp)
# 原图 和 高斯金字塔 的差就是 拉普拉斯金字塔
lap0 = img - dst
# 展示
# cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('lap0',lap0)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表
图像直方图是用于表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。
可以借助观察该直方图了解需要如何调整亮度分布的直方图。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。
因此，一张较暗图片的图像直方图的数据多集中于左侧和中间部分，而整体明亮，只有少量阴影的图像则相反
我们从图像直方图可以看出：该幅图像存在较多很暗或者很亮的点（具有这些灰度级的像素个数较多），反而亮暗平衡的点较少**（具有这些灰度级的像素个数较少）**
看懂了之后我们就可以自主分析下面三张图啦（懒得写了…）
举个🌰：
有个3×3的图片，其中
画出上图的直方图，直方图可以有很多种。比如：
折线图：
柱状图：
归一化图：
dims：直方图中需要统计的特征的数目，也就是需要统计的项目。如dims = 1，表示我们只用统计灰度值bins：直方图中每个小区间（每个特征空间子区段）的数目，较常操作
range：我们统计灰度值的范围，一般为0-255
总的来说：直方图就是图像中各种灰度级出现的次数而画出的图
OpenCV统计直方图关键API：cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])
images：原始图像（可以不是黑白图），加s表示可以同时对多张图片进行直方图统计 ——> 此处要加中括号，表示是一个图像集合channels：指定通道，需要用中括号"[ ]"括起来
[0][ 0 ], [ 1 ], [ 2 ]，分别对应B,G,Rmask：掩码图像
NonehistSize：BINS（柱状图中的柱子）的数量
[256]（因为是从0开始，因此有256个数字）ranges：像素值范围，例如[0,255]accumulate：累积标识
False（一般我们只操作一个图）True，则直方图在开始分配时不会被清零plt.plot(返回值)进行绘图！# OpenCV统计直方图
import cv2
import numpy as np
img = cv2.imread('./lena.png')
hist = cv2.calcHist([img],[0],None,[256],[0,255])
print(hist)
结果：
从上到下分别是灰度级0、1、2......
OpenCV绘制直方图# 绘制直方图
# 使用Opencv的统计方法
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('./lena.png')
# 统计直方图数据，不用再去做灰度图（参数channels可以对通道进行统计）
hist_B = cv2.calcHist([img],[0],None,[256],[0,255])
hist_G = cv2.calcHist([img],[1],None,[256],[0,255])
hist_R = cv2.calcHist([img],[2],None,[256],[0,255])
# 上方得到三个数据，我们对应地画三个图，标注不同的颜色
plt.plot(hist_B,color = 'b',label = 'Blue') # 不用再用hist()，因为返回的本来就是直方图数据
plt.plot(hist_G,color = 'g',label = 'Green')
plt.plot(hist_R,color = 'r',label = 'Red')
plt.legend() # 在轴上放说明
# 展示（加不加都行）
plt.show()
结果：
对应横轴是灰度值转化来的（我们没有给定横轴的值，matplotlib自动索引的，相当于 cv2.cvtColor(img,cv2.COLOR_GRAY2BRR)）
我们可以发现：整个图都是偏红色（红色低频较少，在高频区较多），蓝色在偏低的位置（只有帽子上有一点），绿色在高频区较少（整幅图几乎没有绿色）
如果你只对图片中的某一部分感兴趣（例如图像中的人脸、手…），就可以用掩膜进行操作，选出图中的roi区域，对该区域使用cv2.calcHist(mask)进行直方图计算
img.shape）的全黑图片：mask = np.zeros(image.shape,np.uint8)mask[100:200,200:300] = 355# 使用掩膜的直方图
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('./lena.png')
# 变成黑白的图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 生成掩膜图像
mask = np.zeros(gray.shape,np.uint8) # 生成和原图大小一样的全黑图 uint8：8位全部用来表示数字
# 设置想要统计直方图的区域(roi)
mask[200:400,200:400] = 255
# 统计直方图数据 ——> 拿原图和进行掩膜操作后的数据进行对比
hist_gray = cv2.calcHist([gray],[0],None,[256],[0,255])
hist_mask = cv2.calcHist([gray],[0],mask,[256],[0,255])
# 使用matplotlib画出直方图
plt.plot(hist_gray,label = 'gray',color = 'g')
plt.plot(hist_mask,label = 'mask',color = 'r')
plt.legend()
plt.show()
##---------------------------------------------------------------------------------------------
# 我们想提前看一下掩膜在图片中的作用效果
cv2.imshow('gray',gray)
cv2.imshow('mask',mask)
# gray 和 gray 与运算的结果还是本身 mask的作用：前面先做与运算，结果再和mask做与运算
# 与运算的特点：两个数相“与”，0与任何数都是0，255和非0的“与”都是非0本身（原图）
cv2.imshow('gray&mask',cv2.bitwise_and(gray,gray,mask = mask))
##---------------------------------------------------------------------------------------------
# 退出条件
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
