OpenCV学习笔记6-图像的运算与位运算(附代码实现)

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 cv2
import numpy as np

cv2.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 % 256
dog += 100
print(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 cv2
import numpy as np

cv2.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0
print('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 cv2
  import numpy as np
  
  cv2.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 cv2
import numpy as np

cv2.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 cv2
import numpy as np

cv2.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[:] +255
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()

分子不为0，分母为0:

import cv2
import numpy as np

cv2.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[:] +255
print('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 cv2
import numpy as np

cv2.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 + bias
  import cv2
  import numpy as np
  
  cv2.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 + 0
  new_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 cv2
  import numpy as np
  
  cv2.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 - cat
  cat_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 cv2
  import numpy as np
  
  cv2.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 cv2
import numpy as np

cv2.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 cv2
  import numpy as np
  
  cv2.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！