今天的学习的内容是：通过 Python OpenCV 对图像实现乘除操作，涉及函数为 cv2.multiply 与 cv2.divide。后面又补充了一些像素的逻辑运算，以及一个综合案例
cv2.multiply
该函数的语法格式如下：
cv2.multiply(src1, src2, dst=None, scale=None, dtype=None)
参数说明：
src1：第一张图像
src2：第二张图像
dst：可选参数，目标图像，需要提前分配空间，可省略
mask：掩膜
scale：缩放比，常量，即在 src1*src2 的基础上再乘 scale
dtype：输出图像数组的深度，默认等于-1
测试下面的代码，尝试之后，发现乘法很容易就全黑或者全白，毕竟两个数字相乘知乎，很容易超过 255。
import cv2 as cv
def multiply_demo(src1, src2):
ret = cv.multiply(src1, src2)
cv.imshow("multiply_demo", ret)
cv.waitKey(0)
if __name__ == "__main__":
src1 = cv.imread("./18_3.jpeg")
src2 = cv.imread("./18_4.jpg")
multiply_demo(src1, src2)
如果 cv2.multiply 函数的第二个图像为一个标量，那运行结果是针对单一通道进行叠加。
import cv2 as cv
from matplotlib import pyplot as plt
def multiply_demo(src1, src2):
ret = cv.multiply(src1, 1.5)
plt.subplot(121), plt.imshow(src1), plt.title('src1')
plt.subplot(122), plt.imshow(ret), plt.title('ret')
plt.show()
if __name__ == "__main__":
src1 = cv.imread("./18_3.jpeg")
src2 = cv.imread("./18_4.jpg")
multiply_demo(cv.cvtColor(src1,cv.COLOR_BGR2RGB), cv.cvtColor(src2,cv.COLOR_BGR2RGB))
运行效果截图：
cv2.divide
该函数的语法格式为：
divide(src1, src2, dst=None, scale=None, dtype=None)
本部分与相乘基本一致，图像相除最后很容易得到一个全黑的图。
具体可以自行尝试。
像素的逻辑运算
像素的逻辑运算涉及与、或、非、异或等基本运算（要进行逻辑运算，两张图片的形状（shape）必须一样）
对应函数的格式如下
cv2.bitwise_and(src1, src2,mask)
作用：对二进制数据进行“与”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0，
这个里面的掩膜非常有用，我们细说一下。
在彻底学习演膜之前，需要接触一个新的概念，又要学习新东西啦。
而且在接下来的几篇博客，都要围绕演膜与 ROI 展开，因为在学习的时候，发现这部分知识很重要。
ROI（感兴趣区域，英文全称叫做 Region Of Internet）
下面我们实现找到 ROI，并且移动 ROI，代码如下：
下述代码测试图片，使用的是：
我们要获取的是蕾姆的犄角
import cv2 as cv
path = r"1919.jpeg"
# 读取图片
image = cv.imread(path)
# 输出图片形状
# 注意输出的元组（rows,cols,dtype）
print(image.shape)
# cv.imshow("image", image)
# 捕捉犄角区域
horn = image[60:100, 180:240]
# cv.imshow("horn", horn)
# 框选犄角区域
# image = cv.rectangle(image, (180, 55), (240, 105), (0, 0, 255), thickness=2)
# print(horn.shape)
# 拷贝一个犄角
# image[60:100, 120:180] = image[60:100, 180:240]
# 只要形状大小相同就可以移动 ROI 到另一部分
# image[100:140, 220:280] = horn
# 犄角转换成灰度图
horn = cv.cvtColor(horn, cv.COLOR_BGR2GRAY)
# 灰度图在转换成BGR图
back_horn = cv.cvtColor(horn, cv.COLOR_GRAY2BGR)
# image[250:370, 250:350] = back_horn
image[60:100, 180:240] = back_horn
cv.imshow("Region Of Interest(ROI)", horn)
cv.imshow("horn", image)
cv.waitKey()
cv.destroyAllWindows()
上述代码，你可以在学习过程中自行解开查阅。重点部分都已经写在注释里面了。
获取到犄角图之后，我们在对其进行二值化操作，具体代码如下
import cv2 as cv
path = r"1919.jpeg"
# 读取图片
image = cv.imread(path)
# 输出图片形状
# 注意输出的元组（rows,cols,dtype）
print(image.shape)
# cv.imshow("image", image)
# 捕捉犄角区域
horn = image[60:100, 180:240]
# 犄角转换成灰度图
gray_horn = cv.cvtColor(horn, cv.COLOR_BGR2GRAY)
# 获取到了犄角的二值化图像
thresh, mask = cv.threshold(gray_horn, 160, 255, cv.THRESH_BINARY)
# 获取 mask 的反色图像
mask_inv = cv.bitwise_not(mask)
# cv.imshow("mask", mask)
# 打开一个彩色糖果图片
colors = cv.imread(r"colors.jpg")
# 选中一块与 mask 相同大小的 ROI
rows, cols = mask.shape[:2]
pie_colors = colors[10:10+rows, 20:20+cols]
print(pie_colors.shape)
print(mask.shape)
cv.imshow("pie_colors", pie_colors)
# 选出犄角部分
img1_bg = cv.bitwise_and(horn, pie_colors, mask=mask)
# cv.imshow("img1_bg", img1_bg)
img2_fg = cv.bitwise_and(horn, horn, mask=mask_inv)
# cv.imshow("img2_fg", img2_fg)
# 两个犄角合并在一起
add_img = image.copy() # 对原图像进行拷贝
dst = cv.addWeighted(img1_bg, 0.3, img2_fg, 1, 0)
# cv.imshow("dst", dst)
add_img[60:100, 180:240] = dst
# image[60:100, 180:240] = back_horn
cv.imshow("origin", image)
cv.imshow("new", add_img)
cv.waitKey()
cv.destroyAllWindows()
上面的代码，理解起来有写难度，本阶段先尝试理解即可（橡皮擦在写的时候，也晕掉了，总感觉缺少一些知识，没有吃透）
用到了以前学习的二值化操作，用到了灰度图，也用到了图像叠加。
也有可能是因为案例选择的不好，最后更换犄角之后的图片很难看，如下图所示。
看起来，缺少一部分融合的效果。后面知识比较全面之后，可能对这些理解会更加深入。
效果虽然丑爆了，但是终究是能操作指定区域了。
上述代码也用到了下面的逻辑运算，先理解含义，后面逐步展开内容。
cv2.bitwise_or(src1, src2,mask)
作用：对不同通道相同位置的二进制值进行"或"运算(对应位置只要有一个为 1,结果就为 1)。
cv2.bitwise_not()
作用：按位取反
cv2.bitwise_xor(src1,src2,dst,mask)
作用：输出两个图像的异或 dst = src1 ^ src2
测试代码如下：
import cv2
import numpy as np
from matplotlib import pyplot as plt
src1 = cv2.imread('18_1.jpg')
src2 = cv2.imread('18_2.jpg')
d_and = cv2.bitwise_and(src1, src2)
d_or = cv2.bitwise_or(src1, src2)
d_not = cv2.bitwise_not(src1)
d_xor = cv2.bitwise_xor(src1, src2)
title = ['src1', 'src2', 'and', 'or', 'not', 'xor']
images = [src1, src2, d_and, d_or, d_not, d_xor]
for i in range(6):
plt.subplot(2, 3, i+1)
plt.imshow(cv2.cvtColor(
images[i], cv2.COLOR_BGR2RGB), 'gray'), plt.title(title[i])
plt.show()
代码运行之后的效果如图：
下篇博客，将使用之前的内容，加上像素的逻辑运算完成一个【扣章效果】。
学习完今天的效果之后，发现对以前学过的地方有遗漏，后面几篇博客，基于已经学习的知识，好好夯实几天吧。
OpenCV 尾声
1 个小时又过去了，对 Python OpenCV 相关的知识点，你掌握了吗？
空闲之余，可以订阅橡皮擦的爬虫百例课程学习爬虫知识。
想学 Python 爬虫，可以订阅橡皮擦专栏哦~ 点击发现惊喜
今天是持续写作的第 56 / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。
如果你想跟博主建立亲密关系，可以关注同名公众号 梦想橡皮擦，近距离接触一个逗趣的互联网高级网虫。
博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。