OpenCV 从零学习 · 第 13 讲：图像金字塔
函数：cv2.pyrDown / cv2.pyrUp ｜ 难度：★☆☆☆☆
金字塔就是把图像层层缩小（或放大）形成的一座"塔"：底层是清晰原图，越往上越小越糊。它的价值在于多尺度处理——很多算法（模板匹配、特征检测）在"缩小的图"上跑更快、更稳，还能应对目标大小变化。
一、下采样 pyrDown（缩小一半）
dst = cv2.pyrDown(src)先高斯模糊再隔点采样，输出尺寸约为输入的 1/2（宽高都减半）。是"高斯金字塔"的标准构建方式。
二、上采样 pyrUp（放大一倍）
dst = cv2.pyrUp(src)尺寸翻倍（宽高各 ×2），但放大的是"模糊版"——pyrUp 并不能把 pyrDown 丢失的细节找回来，只是把图拉大、插值变糊。
场景 A · 多尺度模板匹配（接第 12 讲）
目标大小不固定时，把大图和模板都按金字塔逐层缩小，在每一层做
目标大小不固定时，把大图和模板都按金字塔逐层缩小，在每一层做
matchTemplate，再把匹配结果映射回原图尺度。这样无论目标是大是小都能找到——这是工业"找图"应对分辨率差异的核心技巧。
场景 B · 提速大图处理
一张 4000×3000 的图做边缘/特征检测很慢。先
一张 4000×3000 的图做边缘/特征检测很慢。先
pyrDown 两层变成 1000×750，在缩小图上处理，速度提升 16 倍，多数任务精度够用。
import cv2
img = cv2.imread('big.jpg')
small1 = cv2.pyrDown(img) # 1/2
small2 = cv2.pyrDown(small1) # 1/4
big = cv2.pyrUp(small2) # 放大回，但比原图糊
⚠ 新手必踩坑
pyrUp是有损放大：它会变模糊，不是"高清还原"。不要指望 pyrDown 后再 pyrUp 能无损复原。- 每层尺寸严格减半，只有偶数尺寸能干净地往下走；奇数宽高会被裁掉一行/列，循环多层后位置会漂移，做精确定位时要记好缩放倍数（2^n）。
- 金字塔本身不"做事"，它是给别的算法当多尺度脚手架用的。
本讲要点
- pyrDown 缩小一半（先模糊后采样）；pyrUp 放大一倍（放大即模糊）。
- 核心价值是多尺度：应对目标大小变化、加速大图处理。
- pyrUp 不复原细节；善用 2^n 缩放倍数做坐标回映射。
下一讲：第 14 讲 · 特征点检测与匹配（角点 / ORB / SIFT）——比模板匹配更鲁棒，能在旋转、尺度变化下"认出"同一物体，是图像拼接、物体识别的基础。
