opencv基础09-图像运算之-加法运算(图像增强&预处理)

opencv基础09-图像运算

什么是图像运算？

在图像处理过程中，经常需要对图像进行加法运算。可以通过加号运算符“+”对图像进行加法运算，也可以通过 cv2.add()函数对图像进行加法运算。
通常情况下，在灰度图像中，像素用 8 个比特位（一个字节）来表示，像素值的范围是[0,255]。
两个像素值在进行加法运算时，求得的和很可能超过 255。上述两种不同的加法运算方式，对超过 255 的数值的处理方式是不一样的。

图像运算能干嘛？

图像运算是指对图像进行各种数学和逻辑操作的过程，可以用于许多功能场景。以下是一些图像运算在不同功能场景下的应用：

图像增强和预处理：图像运算可以用于增强和预处理图像，如对比度增强、亮度调整、颜色校正、噪声去除、图像平滑和锐化等。这在图像处理、计算机视觉和图像分析中常用于提高图像质量和准确性。

特征提取和描述符：图像运算可用于提取图像中的特征和描述符，如边缘检测、角点检测、纹理分析和形状描述等。这在目标检测、图像匹配、物体识别和图像检索等领域中非常重要。

图像分割和区域提取：图像运算可以用于图像分割和区域提取，如阈值分割、基于边缘的分割、区域增长和分水岭算法等。这在图像分析、计算机视觉和医学图像处理中常用于提取感兴趣的区域和物体。

图像合成和融合：图像运算可以用于图像合成和融合，如图像叠加、混合模式、泊松融合和全景图像拼接等。这在图像合成、图像编辑和增强现实等应用中常用于创建合成图像和增强效果。

图像变换和几何操作：图像运算可以用于图像的变换和几何操作，如图像缩放、旋转、平移、仿射变换和透视变换等。这在图像配准、图像校正和图像变换等领域中非常有用。

图像分析和模式识别：图像运算可以用于图像分析和模式识别任务，如形状识别、运动分析、纹理分类和目标跟踪等。这在计算机视觉、机器学习和人工智能等领域中广泛应用。

图像压缩和编码：图像运算可以用于图像压缩和编码，如基于变换的压缩、预测编码和无损压缩等。这在数字图像传输、存储和通信中常用于减小图像文件大小和提高传输效率。

总而言之，图像运算在图像处理、计算机视觉、图像分析和模式识别等领域具有广泛的应用。它们可以用于处理、增强、分析和理解图像，从而实现不同的功能和应用场景。

加号运算符

使用加号运算符“+”对图像 a（像素值为 a）和图像 b（像素值为 b）进行求和运算时，
遵循以下规则：

上面公式中，mod()是取模运算，“mod(a+b, 256)”表示计算“a+b 的和除以 256 取余数”。
根据上述规则，两个点进行加法运算时：
 如果两个图像对应像素值的和小于或等于 255，则直接相加得到运算结果。例如，像素值 28 和像素值 36 相加，得到计算结果 64。
 如果两个图像对应像素值的和大于 255，则将运算结果对 256 取模。例如 255+58=313，
大于 255，则计算(255+58)% 256 = 57，得到计算结果 57。
当然，上述公式也可以简化为𝑎 + 𝑏 = mod(𝑎 + 𝑏, 256)，在运算时无论相加的和是否大于255，都对数值 256 取模。

示例

使用随机数数组模拟灰度图像，观察使用“+”对像素值求和的结果。
分析：通过将数组的数值类型定义为 dtype=np.uint8，可以保证数组值的范围在[0,255]之间。

import numpy as np
img1=np.random.randint(0,256,size=[3,3],dtype=np.uint8)
img2=np.random.randint(0,256,size=[3,3],dtype=np.uint8)
print("img1=\n",img1)
print("img2=\n",img2)
print("img1+img2=\n",img1+img2)

运行结果：

img1=
 [[ 86  14 150]
 [ 29 157 182]
 [153  51 205]]
img2=
 [[140  47 210]
 [225 104  35]
 [ 20  42   7]]
img1+img2=
 [[226  61 104]
 [254   5 217]
 [173  93 212]]

从上述程序可以看到，使用“+”计算两个 256 级灰度图像内像素值的和时，运算结果会
对 256 取模。
需要注意，本例题中的加法要进行取模，这是由数组的类型 dtype=np.uint8 所规定的。

cv2.add()函数

函数 cv2.add()可以用来计算图像像素值相加的和，其语法格式为：
计算结果=cv2.add(像素值 a,像素值 b)
使用函数 cv2.add()对像素值 a 和像素值 b 进行求和运算时，会得到像素值对应图像的饱和值（最大值）。
例如，8 位灰度图像的饱和值为 255，因此，在对 8 位灰度图的像素值求和时，遵循以下规则：

根据上述规则，在 256 级的灰度图像（8 位灰度图）中的两个像素点进行加法运算时：

1. 如果两个像素值的和小于或等于 255，则直接相加得到运算结果。例如，像素值 28 和 像素值 36 相加，得到计算结果 64。
2. 如果两个像素值的和大于 255，则将运算结果处理为饱和值 255。例如 255+58=313，大于 255，则得到计算结果 255——*（*与直接相加不同，这里不取模运算）。
   需要注意，函数 cv2.add()中的参数可能有如下三种形式。
   形式 1：
   计算结果=cv2.add(图像 1,图像 2)，两个参数都是图像，此时参与运算的图像大小和类型必须保持一致。
   形式 2：
   计算结果=cv2.add(数值,图像)，第 1 个参数是数值，第 2 个参数是图像，此时将超过图像饱和值的数值处理为饱和值（最大值）。
   形式 3：
   计算结果=cv2.add(图像,数值)，第 1 个参数是图像，第 2 个参数是数值，此时将超过图像饱和值的数值处理为饱和值（最大值）。

形式2，3 看着有点蒙,我们直接上代码看效果

形式1 示例代码：

import numpy as np
import cv2
img1=np.random.randint(0,256,size=[3,3],dtype=np.uint8)
img2=np.random.randint(0,256,size=[3,3],dtype=np.uint8)
print("img1=\n",img1)
print("img2=\n",img2)
img3=cv2.add(img1,img2)
print("cv2.add(img1,img2)=\n",img3)

运行结果：

img1=
 [[ 80 210 173]
 [112  85  13]
 [158 230  45]]
img2=
 [[  9 221  81]
 [255   2 127]
 [124 147   9]]
cv2.add(img1,img2)=
 [[ 89 255 254]
 [255  87 140]
 [255 255  54]]

形式2 示例代码：

import numpy as np
import cv2

#读取图像,并以灰度图像的方式显示,参数为0
a = cv2.imread("lena.png",0)

# 将图像转换为NumPy数组
image_np = np.array(a)

print("image_np=\n",image_np)

cv2.imshow("original",a)
#对图像进行加法运算
result2=cv2.add(100,a)

image_np_r  = np.array(result2)

print("image_np_r=\n",image_np_r)

cv2.imshow("result2",result2)

cv2.waitKey()
cv2.destroyAllWindows()

像素值运算结果：

image_np=
 [[139 144 141 ... 103 103 103]
 [142 143 140 ... 105 105 105]
 [144 137 145 ... 105 103 102]
 ...
 [117 119 123 ...  50  50  50]
 [115 118 119 ...  50  50  53]
 [109 116 117 ...  50  53  56]]
image_np_r=
 [[239 244 241 ... 203 203 203]
 [242 243 240 ... 205 205 205]
 [244 237 245 ... 205 203 202]
 ...
 [217 219 223 ... 150 150 150]
 [215 218 219 ... 150 150 153]
 [209 216 217 ... 150 153 156]]

从结果看图片所有的像素点都加了100，

运行显示效果：

形式3 示例代码：

import numpy as np
import cv2

#读取图像,并以灰度图像的方式显示,参数为0
a = cv2.imread("lena.png",0)

cv2.imshow("original",a)
#对图像进行加法运算
result2=cv2.add(a,100)

cv2.imshow("result2",result2)

cv2.waitKey()
cv2.destroyAllWindows()

运行效果：

发现亮度也提高了

更多效果自己多实验，看代码是看不出所以然的