Las pirámides gaussiana y laplaciana han sido importantes durante mucho tiempo para el análisis y la compresión de imágenes. Más recientemente, las pirámides multiresolución se han convertido en un componente importante del aprendizaje automático y el aprendizaje profundo para el análisis y el reconocimiento de imágenes. La construcción de pirámides gaussianas y laplacianas consiste en una serie de operaciones de filtrado, decimación y diferenciación, y el indicador de calidad suele ser el error cuadrático medio de reconstrucción en comparación con la imagen original. Presentamos una nueva caracterización de la pérdida de información en una pirámide gaussiana en términos del cambio en la información mutua. Más específicamente, mostramos que la mitad del logaritmo de la razón de las potencias de entropía entre dos etapas en una pirámide gaussiana es igual a la diferencia en la información mutua entre estas dos etapas. Demostramos que esta relación se mantiene para una amplia variedad de distribuciones de probabilidad y presentamos varios ejemplos de análisis de pirámides gaussianas y laplacianas para diferentes imágenes.