opencv-python学习【3】图像的逻辑运算及掩码操作

加法运算、位运算是图像的基础运算，但它们是很多复杂图像处理功能的基础。

一.图像加法运算

图像加法运算有两种方式：

• “+”加号运算符
• cv2.add() 函数

像素用 8 个比特位来表示，范围是 [0, 255]。两个像素在相加时的和可能超过 255，上面两种方法对超过 255 的值处理方式不一样。

1.加号运算符

(1).求和规则

设有图像 a 和 图像 b 进行像素求和，加号运算符求和规则如下：
$$a+b=mod(a+b,256)$$
$mod(a,b)$ 表示 a 除以 b 取余数。

(2).示例

import numpy as np

a = np.random.randint(0,255,(2,3),np.uint8)
b = np.random.randint(0,255,(2,3),np.uint8)
print("a=:\n",a)
print("b=:\n",b)
print("a+b=:\n",a+b)

'''结果如下
a=:
 [[ 90 118 221]
 [113  18 251]]
b=:
 [[203 145  74]
 [ 78 168  88]]
a+b=:
 [[ 37   7  39]
 [191 186  83]]
'''

2.cv2.add() 函数

(1).求和规则

设有图像 a 和 图像 b 进行像素求和，cv2.add() 函数求和规则如下：
$$a+b=\{\begin{array}{ll}a+b,& a+b\le 255\\ 255,& a+b>255\end{array}$$

(2).相关函数

dst = cv2.add(src1, src2[, dst[, mask[, dtype]]]):

• src1：图像或数值
• src2：图像或数值
• dst：返回的目标值

注意：当 src1 和 src2 都是图像时，图像的大小和类型要保持一致

(3).示例

import cv2
import numpy as np

a = np.random.randint(0,255,(2,3),np.uint8)
b = np.random.randint(0,255,(2,3),np.uint8)
print("a=:\n",a)
print("b=:\n",b)
c1 = cv2.add(a,b)
c2 = cv2.add(a,200)
c3 = cv2.add(200,b)
print("a+b=:\n",c1)
print("a+200=:\n",c2)
print("b+200=:\n",c3)

'''结果如下
a=:
 [[140 101 189]
 [182  80 223]]
b=:
 [[169 228   2]
 [183 109 186]]
a+b=:
 [[255 255 191]
 [255 189 255]]
a+20=:
 [[255 255 255]
 [255 255 255]]
b+20=:
 [[255 255 202]
 [255 255 255]]
'''

3.图像相加

import cv2

a = cv2.imread('dog.jpg')
b = a
c1 = a+b
c2 = cv2.add(a,b)
cv2.imshow('a',a)
cv2.imshow('a+b',c1)
cv2.imshow('cv2.add(a+b)',c2)
cv2.waitKey()
cv2.destroyAllWindows()

结果如下图所示，从左到右依次是 ‘a’、‘a+b’、‘cv2.add(a+b)’ 窗口：

由于 cv2.add 采用的是饱和形式，所以第三张图明显亮度会提高。

二.图像加权和

1.加权和规则

图像加权和，就是在图像的像素求和的时候，把每幅图像的权重考虑进来，计算公式为：
$$dst=saturate(src1\times \alpha +src2\times \beta +\gamma )$$其中，$saturate()$ 表示取饱和值，$\alpha ,\beta$ 表示图像权重，$\gamma$ 可以理解为亮度调节。

2.相关函数

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

• src1：图像1
• src2：图像2
• alpha：图像1权重
• beta：图像2权重
• gamma：亮度调节
• dst：返回的图像

注意：图像的大小和类型要相同

3.示例

import cv2

dog = cv2.imread('dog.jpg')
cat = cv2.imread('cat.jpg')
c = cv2.addWeighted(dog,0.7,cat,0.3,10)
cv2.imshow('dog', dog)
cv2.imshow('cat', cat)
cv2.imshow('addWeighted', c)
cv2.waitKey()
cv2.destroyAllWindows()

结果如下图所示，从左到右依次是 ‘dog’、‘cat’、‘addWeighted’ 窗口：

三.按位逻辑运算

1.按位与运算

与运算的规则是，当参与两个运算的两个逻辑值都为真时，结果才为真，一般用 0 表示假，用 1 表示真。

(1).相关函数

dst=cv2.bitwise_and(src1, src2[, dst[, mask]])

• src1：第一个图像 array 或 数值 scalar
• src2：第二个图像 array 或 数值 scalar
• mask：可选操作掩码，8 位单通道 array
• dst：返回的结果

(2).示例

由于任何数与 ‘0’ 求与都得0，任何数与 ‘1’ 求与都得本身，所以我们可以构建两个不同的 src2，来保留图像的特定部分，注意在 8 比特位的图像中，前边提到的 ‘1’ 对应的像素值为 255。

import cv2
import numpy as np

dog = cv2.imread('dog.jpg')
a = np.zeros(dog.shape,dtype=np.uint8)
a[100:400,100:400]=255
res = cv2.bitwise_and(dog,a)
cv2.imshow('dog',dog)
cv2.imshow('a',a)
cv2.imshow('res',res)
cv2.waitKey()
cv2.destroyAllWindows()

由于 ‘a’ 本身是一个 0 矩阵，但是在其 [100:400,100:400] 部分（狗头部分）的值为 255，所以经过按位与运算以后，图像只保留了狗头部分，而其他部分的像素值都为 0。

2.按位或运算

或运算的规则是，当参与运算的两个逻辑值有一个为真时，结果就为真。

相关函数

dst=cv2.bitwise_or(src1, src2[, dst[, mask]])

• src1：第一个图像 array 或 数值 scalar
• src2：第二个图像 array 或 数值 scalar
• mask：可选操作掩码，8 位单通道 array
• dst：返回的结果

3.按位非运算

非运算的规则是其实是取反操作：

• 当运算逻辑数为真，结果为假
• 当运算逻辑数为假，结果为真

相关函数

dst=cv2.bitwise_not(src, [, dst[, mask]])

• src：array
• mask：可选操作掩码，8 位单通道 array
• dst：返回的结果

4.按位异或运算

异或运算的规则与不带进位的二进制加法类似，如果用 $xor$ 来表示异或，那么它的规则如下：

• $xor(0,0)=0$
• $xor(0,1)=1$
• $xor(1,0)=1$
• $xor(1,1)=0$

相关函数

dst=cv2.bitwise_xor(src1, src2[, dst[, mask]])

• src1：第一个图像 array 或 数值 scalar
• src2：第二个图像 array 或 数值 scalar
• mask：可选操作掩码，8 位单通道 array
• dst：返回的结果

四.掩码

在上面的内容中，多次提到了一个参数 mask ，它叫掩码，又称作掩模。当函数中有掩码参数时，函数操作只会在掩码值非空的像素点上执行，并将其他像素点的值置为 0。

示例：

dog = cv2.imread('dog.jpg')
w,h,c= dog.shape
mask = np.zeros((w,h),dtype=np.uint8)
mask[100:400,100:400]=255
# 注意 bitwise_and(a,a)的结果仍然是其本身
dog2 = cv2.bitwise_and(dog,dog,mask=mask)
cv2.imshow('dog',dog)
cv2.imshow('mask',mask)
cv2.imshow('dog2',dog2)
cv2.waitKey()
cv2.destroyAllWindows()

在没有 mask 掩码时，‘dog’ 与 ‘dog’ 按位与运算的结果仍然是自己本身，现在假如有 mask 时，cv2.bitwise_and(dog,dog,mask=mask) 只会对 mask 不为 0 的部分进行按位与运算操作，而mask[100:400,100:400]=255 被设置成了狗头部分不为0，所以结果会和 三.1 中示例的结果相同：