文章目录

• 图像的算术与位运算
• 1 图像的算术运算
• • 1.1 图像的加法运算
  • 1.2 图像的减法运算
  • 1.3 图像的乘法运算
  • 1.4 图像的除法运算
  • 1.5 图像的融合
• 2 OpenCV的位运算
• • 2.1 非操作
  • 2.2 与操作
  • 2.3 或操作
  • 2.4 异或操作

图像的算术与位运算

1 图像的算术运算

1.1 图像的加法运算

• 加法运算：cv2.add(src1, src2[, dst[, mask[, dtype]]])
  • src1: 第一个图像
  • src2: 第二个图像
  • dst: 输出图像，大小和通道数与输入图像相同
  • mask: 图像掩膜
  • dtype: 输出图像数组的位深

add的规则就是两个图的对应位置元素相加，如果加完超过255，则全部变成255

图片就是矩阵, 图片的加法运算就是矩阵的加法运算, 这就要求加法运算的两张图shape必须是相同的.可以通过ndarray的切片方式取出完全一样的形状（大的切出小的形状）

# 加法运算import cv2import numpy as npcv2.namedWindow('cat_dog',cv2.WINDOW_NORMAL)cv2.resizeWindow('cat_dog',1200,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')# 查看猫狗的形状print(f'猫的形状:{cat.shape}')print(f'狗的形状:{dog.shape}')# 在做加法之前需要把图片的形状变得完全一致才行.# 可以通过ndarray的切片方式取出完全一样的形状.# 猫更大, 所以从猫里面切出狗的形状new_cat = cat[0:360, :499]print(f'猫的新形状:{new_cat.shape}')# cv2.add 加法操作要求两个图片的长宽相同, 通道数相同. （黑白图片的通道数是1，彩色图片的通道数是3）# add的规则就是两个图对应位置的元素相加, 如果超过255, 全部变成255.print('new_cat',new_cat[:3, :3])print('-------------------')print('dog',dog[:3, :3])new_img = cv2.add(new_cat, dog)print('--------------------')print('new_img',new_img[:3, :3])# cv2.imshow('new_img', new_img)cv2.imshow('cat_dog',np.hstack((new_cat,dog,new_img)))cv2.waitKey(0)cv2.destroyAllWindows()

图片还可以和单个数字进行运算

# 图片还可以和单个数字进行运算# 每个和100进行加法运算, 超出255的数字, 会被截断, 相当于 % 256dog += 100print(dog[:3, :3])

1.2 图像的减法运算

• 减法运算：cv2.subtract(src1, src2[, dst[, mask[, dtype]]])
  • src1: 第一个图像
  • src2: 第二个图像
  • dst: 输出图像，大小和通道数与输入图像相同
  • mask: 图像掩膜
  • dtype: 输出图像数组的位深

subtract的规则就是两个图的对应位置元素相减，如果减完小于0，则全部变成0

图片就是矩阵, 图片的减法运算就是矩阵的减法运算, 这就要求减法运算的两张图shape必须是相同的.可以通过ndarray的切片方式取出完全一样的形状（大的切出小的形状）

# 减法运算import cv2import numpy as npcv2.namedWindow('cat_dog',cv2.WINDOW_NORMAL)cv2.resizeWindow('cat_dog',1200,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')# 查看猫狗的形状print(f'猫的形状:{cat.shape}')print(f'狗的形状:{dog.shape}')# 在做减法之前需要把图片的形状变得完全一致才行.# 可以通过ndarray的切片方式取出完全一样的形状.# 猫更大, 所以从猫里面切出狗的形状new_cat = cat[0:360, :499]print(f'猫的新形状:{new_cat.shape}')# cv2.subtract 减法操作要求两个图片的长宽相同, 通道数相同. （黑白图片的通道数是1，彩色图片的通道数是3）# 减法 subtract, 对应位置的元素相减, 减完小于0, 统一变成0print('new_cat',new_cat[:3, :3])print('-------------------')print('dog',dog[:3, :3])new_img = cv2.subtract(new_cat, dog)print('--------------------')print('new_img',new_img[:3, :3])# cv2.imshow('new_img', new_img)cv2.imshow('cat_dog',np.hstack((new_cat,dog,new_img)))cv2.waitKey(0)cv2.destroyAllWindows()

1.3 图像的乘法运算

• 乘法运算：cv2.multiply(src1, src2[, dst[, scale[, dtype]]])

  • src1: 第一个图像
  • src2: 第二个图像
  • dst: 输出图像，大小和通道数与输入图像相同
  • scale: 缩放比例
  • dtype: 输出图像数组的位深

  multiply的规则就是两个图的对应位置元素相乘，如果乘完大于255，则全部变成255

  图片就是矩阵, 图片的乘法运算就是矩阵的乘法运算, 这就要求乘法运算的两张图shape必须是相同的.可以通过ndarray的切片方式取出完全一样的形状（大的切出小的形状）

  # 乘法运算import cv2import numpy as npcv2.namedWindow('cat_dog',cv2.WINDOW_NORMAL)cv2.resizeWindow('cat_dog',1200,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')# 查看猫狗的形状print(f'猫的形状:{cat.shape}')print(f'狗的形状:{dog.shape}')# 在做乘法之前需要把图片的形状变得完全一致才行.# 可以通过ndarray的切片方式取出完全一样的形状.# 猫更大, 所以从猫里面切出狗的形状new_cat = cat[0:360, :499]print(f'猫的新形状:{new_cat.shape}')# cv2.subtract 乘法操作要求两个图片的长宽相同, 通道数相同. （黑白图片的通道数是1，彩色图片的通道数是3）print('new_cat',new_cat[:3, :3])print('-------------------')print('dog',dog[:3, :3])new_img = cv2.multiply(new_cat, dog)print('--------------------')print('new_img',new_img[:3, :3])# cv2.imshow('new_img', new_img)cv2.imshow('cat_dog',np.hstack((new_cat,dog,new_img)))cv2.waitKey(0)cv2.destroyAllWindows()

1.4 图像的除法运算

除法运算：cv2.divide(src1, src2[, dst[, scale[, dtype]]])

• src1: 第一个图像
• src2: 第二个图像
• dst: 输出图像，大小和通道数与输入图像相同
• scale: 缩放比例
• dtype: 输出图像数组的位深

divide的规则就是两个图的对应位置元素相除，如果相除完的数字是小数，则进行四舍五入。

图片就是矩阵, 图片的除法运算就是矩阵的除法运算, 这就要求除法运算的两张图shape必须是相同的.可以通过ndarray的切片方式取出完全一样的形状（大的切出小的形状）

# 除法运算import cv2import numpy as npcv2.namedWindow('cat_dog',cv2.WINDOW_NORMAL)cv2.resizeWindow('cat_dog',1200,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')# 查看猫狗的形状print(f'猫的形状:{cat.shape}')print(f'狗的形状:{dog.shape}')# 在做除法之前需要把图片的形状变得完全一致才行.# 可以通过ndarray的切片方式取出完全一样的形状.# 猫更大, 所以从猫里面切出狗的形状new_cat = cat[0:360, :499]print(f'猫的新形状:{new_cat.shape}')# cv2.divide 除法操作要求两个图片的长宽相同, 通道数相同. （黑白图片的通道数是1，彩色图片的通道数是3）print('new_cat',new_cat[:3, :3])print('-------------------')print('dog',dog[:3, :3])# 除法 divide, 对应位置的元素相除new_img = cv2.divide(new_cat, dog)print('--------------------')print('new_img',new_img[:3, :3])# cv2.imshow('new_img', new_img)cv2.imshow('cat_dog',np.hstack((new_cat,dog,new_img)))cv2.waitKey(0)cv2.destroyAllWindows()

关于除法的0：当有元素为0且作为被除数时，divide的计算仍是有实际意义的，这点和常规的理解存在差异。

当除数为0时，其计算结果为0；如果被除数和除数都为0，结果也仍为0，有0参与的除法运算都为0。

分子为0，分母不为0：

import cv2import numpy as npcv2.namedWindow('new_img',cv2.WINDOW_NORMAL)cv2.resizeWindow('new_img',1200,400)# 全黑图片img1 = np.zeros((360,499),dtype = np.uint8)print('img1',img1[:3])# 全白图片img2 = img1[:] +255print('img2',img2[:3])img =cv2.divide(img1,img2)print('img',img[:3])cv2.imshow('new_img',np.hstack((img1,img2,img)))cv2.waitKey()cv2.destroyAllWindows()

分子不为0，分母为0:

import cv2import numpy as npcv2.namedWindow('new_img',cv2.WINDOW_NORMAL)cv2.resizeWindow('new_img',1200,400)# 全黑图片img1 = np.zeros((360,499),dtype = np.uint8)print('img1',img1[:3])# 全白图片img2 = img1[:] +255print('img2',img2[:3])img =cv2.divide(img2,img1)print('img',img[:3])cv2.imshow('new_img',np.hstack((img1,img2,img)))cv2.waitKey()cv2.destroyAllWindows()

分子分母均为0:

import cv2import numpy as npcv2.namedWindow('new_img',cv2.WINDOW_NORMAL)cv2.resizeWindow('new_img',1200,400)# 全黑图片img1 = np.zeros((360,499),dtype = np.uint8)print('img1',img1[:3])# 全白图片img2 = img1[:]print('img2',img2[:3])img =cv2.divide(img1,img2)print('img',img[:3])cv2.imshow('new_img',np.hstack((img1,img2,img)))cv2.waitKey()cv2.destroyAllWindows()

1.5 图像的融合

• cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])

  • src1,src2 需要融合相加的两个大小和通道数相等的图像
  • alpha src1的权重
  • beta src2的权重
  • gamma 是偏差
  • dst 输出图像
  • dtype 输出图像数组的位深

• 图片的融合操作不是简单的运算，而是相当于对图片进行线性运算 ，即w1* x1 + w2 * x2 + b. 其中alpha是第一个图像的权重参数, beta是第二个图像的权重参数, gamma是偏差.

  # 图像的融合# 不是简单的加法了. 相当于拿图片做了线性运算. new_img = img1 * w1 + img2 * w2 + biasimport cv2import numpy as npcv2.namedWindow('new_img',cv2.WINDOW_NORMAL)cv2.resizeWindow('new_img',1200,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')new_cat = cat[0:360, :499]# 相当于new_img = new_cat * 0.4 + dog * 0.6 + 0new_img = cv2.addWeighted(new_cat, 0.4, dog, 0.6, 0)cv2.imshow('new_img', np.hstack((new_cat,dog,new_img)))cv2.waitKey(0)cv2.destroyAllWindows()

2 OpenCV的位运算

2.1 非操作

非操作的效果就相当于是用 255 - img

• cv2.bitwise_not(src[, dst[, mask]])

  • src 输入图像
  • dst 输出图像
  • mask 图像掩膜

  import cv2import numpy as npcv2.namedWindow('not',cv2.WINDOW_NORMAL)cv2.resizeWindow('not',1200,400)# 读取图片cat = cv2.imread('./cat.jpeg')print('cat',cat[:2, :2])# 非操作 相当于 255 - catcat_not = cv2.bitwise_not(cat)print('cat_not',cat_not[:2, :2])# 再做一次非操作 相当于回到原图cat_not_not = cv2.bitwise_not(cat_not)print('cat_not_not',cat_not_not[:2,:2])cv2.imshow('not', np.hstack((cat, cat_not,cat_not_not)))cv2.waitKey(0)cv2.destroyAllWindows()

  

2.2 与操作

与操作就是图片对应位置元素进行与操作. 表现出来的效果就是黑和黑与还是黑, 白和白与还是白.（要转换成二进制来算，1&1=1，1&0=0，0&0=0）

• cv2.bitwise_and(src1, src2[, dst[, mask]]

  • src1 输入的第一个图像
  • src2 输入的第二个图像
  • dst 输出图像
  • mask 图像掩膜

  import cv2import numpy as npcv2.namedWindow('and',cv2.WINDOW_NORMAL)cv2.resizeWindow('and',800,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')print('dog',dog[:2,:2])new_cat = cat[0:360, :499]print('new_cat',new_cat[:2, :2])# 两个图片对应位置的元素进行与操作.cat_and_dog = cv2.bitwise_and(new_cat, dog)print('cat_and_dog',cat_and_dog[:2,:2])cv2.imshow('and', np.hstack((new_cat,cat_and_dog)))cv2.waitKey(0)cv2.destroyAllWindows()

  

2.3 或操作

或操作就是图片对应位置元素进行或操作. （要转换成二进制来算，1|1=1，1|0=1，0|0=0）

• cv2.bitwise_or(src1, src2[, dst[, mask]]
  • src1 输入的第一个图像
  • src2 输入的第二个图像
  • dst 输出图像
  • mask 图像掩膜

import cv2import numpy as npcv2.namedWindow('or',cv2.WINDOW_NORMAL)cv2.resizeWindow('or',800,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')print('dog',dog[:2,:2])new_cat = cat[0:360, :499]print('new_cat',new_cat[:2, :2])# 两个图片对应位置的元素进行与操作.cat_or_dog = cv2.bitwise_or(new_cat, dog)print('cat_or_dog',cat_or_dog[:2,:2])cv2.imshow('or', np.hstack((new_cat,cat_or_dog)))cv2.waitKey(0)cv2.destroyAllWindows()

2.4 异或操作

异或操作就是图片对应位置元素进行异或操作. （要转换成二进制来算，对应元素相同取0，相异取1）

例如：4 = 0100；3 = 0011。4 ^ 3 = 0111 = 7

• cv2.bitwise_xor(src1, src2[, dst[, mask]]

  • src1 输入的第一个图像
  • src2 输入的第二个图像
  • dst 输出图像
  • mask 图像掩膜

  import cv2import numpy as npcv2.namedWindow('xor',cv2.WINDOW_NORMAL)cv2.resizeWindow('xor',800,400)# 读取图片cat = cv2.imread('./cat.jpeg')dog = cv2.imread('./dog.jpeg')print('dog',dog[:2,:2])new_cat = cat[0:360, :499]print('new_cat',new_cat[:2, :2])# 两个图片对应位置的元素进行与操作.cat_xor_dog = cv2.bitwise_xor(new_cat, dog)print('cat_xor_dog',cat_xor_dog[:2,:2])cv2.imshow('xor', np.hstack((new_cat,cat_xor_dog)))cv2.waitKey(0)cv2.destroyAllWindows()

附OpenCV目录：OpenCV总目录学习笔记

智科专业小白，写博文不容易，如果喜欢的话可以点个赞哦！

神唱ktv下载