import cv2
#import def_Gaussian as dg
#import time
import os.path
#import glob
#####################################################################################################################
#读取文件夹里面的图像数量 并返回filenum
def countFile(dir):
    # 输入文件夹
    tmp = 0
    for item in os.listdir(dir):
        if os.path.isfile(os.path.join(dir, item)):
            tmp += 1
        else:
            tmp += countFile(os.path.join(dir, item))
    return tmp
filenum = countFile("D:\\model\\super-resolution\\.div2k\images\\DIV2K_train_LR_bicubic\\X4")    # 返回的是图片的张数
print(filenum)
# filenum
n = 4
index = 1   #保存图片编号
num = 0     #处理图片计数
for i in range(1,filenum+1):
    ########################################################
    # 1.读取原始图片
    if index < 10:
        filename = "D:\\model\\super-resolution\\.div2k\images\\DIV2K_train_LR_bicubic\\X4\\000"+str(i)+".png"
    elif index < 100:
        filename = "D:\\model\\super-resolution\\.div2k\images\\DIV2K_train_LR_bicubic\\X4\\00"+str(i)+".png"
    else:
        filename = "D:\\model\\super-resolution\\.div2k\images\\DIV2K_train_LR_bicubic\\X4\\0"+str(i)+".png"
    print(filename)
    original_image = cv2.imread(filename)
    # 2.下采样
    if n == 2:
        img_1 = cv2.pyrDown(original_image)
    if n == 4:
        img_1 = cv2.pyrDown(original_image)
        img_1 = cv2.pyrDown(img_1)
    #3.将下采样图片保存到指定路径当中
    if index < 10:
        cv2.imwrite("D:\\model\\super-resolution\\.div2k\\1\\000" + str(index) + ".png", img_1)
    elif index < 100:
        cv2.imwrite("D:\\model\\super-resolution\\.div2k\\1\\00" + str(index) + ".png", img_1)
    else:
        cv2.imwrite("D:\\model\\super-resolution\\.div2k\\1\\0" + str(index) + ".png", img_1)
    num = num + 1
    print("正在为第"+ str(num) + "图片采样......")
    index = index + 1  
x1 = np.linspace(1, 4096, 1024)
x_new = np.linspace(1, 4096, 4096)
from scipy import interpolate
tck = interpolate.splrep(x1, data)
y_bspline = interpolate.splev(x_new, tck)
其中y_bspline就是从1024插值得到的4096的数据
但是，scipy中好像并没有进行下采样的函数，嗯..难道是因为太过
                                    file_root = './'#当前文件夹下的所有图片
    file_list = os.listdir(file_root)
    save_out = "../****/"#保存图片的文件夹名称
    for img_name in file_list:
        if img_name.endswith('.tif'):
            img_path = file_root + img_name
            I = cv2.imread(img_path...
                                    基于Python+OpenCV对多张图片进行全景图像拼接源码+项目使用说明(课程设计大作业).zip
【图片全景拼接】消除鬼影，消除裂缝
对多张图片进行基于SIFT的特征检测算法，如果符合最小拼接要求大的关键点matchKeypoints数量，使用OpenCV-Python自带的stitching方法进行全景拼接
【使用方法】
python image_stitching.py --images images/scottsdale --output output.png --crop 1
其中images/scottsdale为待拼接图像所在文件夹，output.png为处理拼接保存后的图像；这里使用了相对路径，因为在工程根目录下运行了终端。不确定在根目录最好使用完整的绝对路径。 --crop 1为是否裁剪黑色边框，缺省则不裁剪。
for info in os.listdir(path):
    domain = os.path.abspath(path)
    info1 = os.path.join(domain,info)
    img = cv2.imread(info1)
    cv2.imshow('original',img)
    b=i+1
    img_name = str(a)
    img = cv2.imread("C:/Users/10230/Desktop/resource_photo/"+img_name+".p
                                    文章目录导读环境文件目录结构详细步骤
深度学习作为机器视觉研究的热点，每训练一个模型都要经过数据采集与处理、设计网络模型、训练模型、验证模型、测试模型等阶段。俗话说“万事开头难”，由于深度学习需要大量数据，而且构造不同的数据集相对复杂，这就需要有一定批量处理数据的能力。在这里以批量处理图片数据为例，用矩形框标出文件夹下所有图片中的缺陷。本文章记录批量处理数据的方法，以备后续学习。
python3.7.7+opencv3.4.11+pycharm社区版+windows10  环境很好搭建 到官网下
                                    图像金字塔是指由一组图像且不同分别率的子图集合，它是图像多尺度表达的一种，以多分辨率来解释图像的结构，主要用于图像的分割或压缩。它将图像在每个方向上扩大为原图像的2倍，新增的行和列均用0来填充，并使用与“向下取样”相同的卷积核乘以4，再与放大后的图像进行卷积运算，以获得“新增像素”的新值。显而易见，原始图像Gi具有M×N个像素，进行向下取样之后，所得到的图像Gi+1具有M/2×N/2个像素，只有原图的四分之一。输出结果如图6-17所示，每次向上取样均为上次图像的四倍，但图像的清晰度会降低。
                                    本篇文章主要总结了图像的采样以及量化的原理以及操作，在此基础上添加了图像的马赛克处理以及图像金子塔，其中参考的一些文章的链接也添加了进去，如果需要更深入的了解和学习可以点进去学习