在图像处理领域，OpenCV 是一个功能强大的库，为我们提供了丰富的工具来操作和处理图像。今天，我们将深入探讨 OpenCV 中的图像算术运算，通过具体的代码示例来理解这些功能的应用。
关注公众号：资小库 回复opencv获取源码，及项目图片等
一、图像相加（add函数）
在add函数中，我们主要进行了图像的相加操作。
def add():
img1 = cv.imread("../img/img1.jpg")
img2 = cv.imread("../img/img2.jpg")首先，使用cv.imread函数读取两张图像img1和img2。这两张图像是我们进行后续算术运算的基础。
print(img1.shape,img2.shape)通过shape属性，我们可以获取图像的尺寸信息，包括高度、宽度和通道数。了解这些信息对于后续的图像处理操作非常重要，比如确保要进行运算的图像尺寸相同。
img2 = cv.rotate(img2, cv.ROTATE_90_CLOCKWISE)
height, width = img1.shape[:2]
img2 = cv.resize(img2, (width, height))由于原始的两张图像尺寸和方向可能不一致，所以我们对img2进行了旋转（使用cv.rotate函数将其顺时针旋转 90 度）和大小调整（使用cv.resize函数将其尺寸调整为与img1相同）。
img3 = img1 + img2这里使用了 Numpy 的加法操作对两张图像进行相加。需要注意的是，Numpy 的这种加法是一种模运算。例如，如果一个像素的 RGB 值分别为 (200, 150, 100) 和 (100, 100, 50)，相加后的结果如果超过了 255（如第一个通道 200 + 100 = 300），那么最终的结果会对 256 取模，得到 (44, 250, 150)。
x = np.uint8([10])
y = np.uint8([250])
print(cv.add(x,y))接下来，使用cv.add函数进行加法操作。cv.add是 OpenCV 中的加法函数，它的加法是饱和操作。也就是说，如果相加后的结果超过了 255，那么结果会被截断为 255。例如对于上面的x和y，Numpy 相加可能会取模，而cv.add的结果是 [255]
openImg(cv.add(img1,img2))使用cv.add函数对调整后的img1和img2进行相加，并通过openImg函数显示结果
openImg(cv.addWeighted(img1,0.3,img2,0.7,0))cv.addWeighted函数用于按照一定的权重比例对两张图像进行加权求和。在这里，img1的权重是 0.3，img2的权重是 0.7，最后一个参数 0 是添加的常量。
二、图像添加徽标
def logo():
img = cv.imread("../img/img2.jpg")
logo = cv.imread("../img/img3.jpg")同样先读取主图像img和徽标图像logo。
rows, cols, channels = logo.shape
roi = img [0:rows,0:cols]获取徽标图像的行数、列数和通道数，然后从主图像中切出与徽标图像大小相同的区域roi，这个区域将用于放置徽标。
img2gray = cv.cvtColor(logo, cv.COLOR_BGR2GRAY)
ret, mask = cv.threshold(img2gray, 10, 255, cv.THRESH_BINARY)将徽标图像转换为灰度图像（cv.cvtColor函数），然后使用阈值处理（cv.threshold函数）将灰度图像转换为二值图像mask。在这个二值图像中，像素值大于 10 的变为 255（白色），小于 10 的变为 0（黑色）。
mask_inv = cv.bitwise_not(mask)对mask进行取反操作，得到mask_inv，原来的白色部分变成黑色，黑色部分变成白色。
img1_bg = cv.bitwise_and(roi, roi, mask=mask_inv)
img2_fg = cv.bitwise_and(logo, logo, mask=mask)使用按位与操作（cv.bitwise_and函数），img1_bg将roi中对应于mask_inv中黑色部分（值为 0）的像素变为 0（变黑），img2_fg从徽标图像中提取出对应于mask中白色部分（值为 255）的像素。
dst = cv.add(img1_bg, img2_fg)
img[0:rows, 0:cols] = dst最后，将提取出的徽标部分img2_fg添加到主图像的对应区域roi中，实现徽标的添加。
三、提取透明图像
def logo_2():
img = cv.imread("../img/img2.jpg")
logo = cv.imread("../img/img3.jpg")
rows, cols, channels = logo.shape
roi = img [0:rows, 0:cols]与logo函数开始部分类似，读取图像并切出对应区域。
img2gray = cv.cvtColor(logo, cv.COLOR_BGR2GRAY)
ret, mask = cv.threshold(img2gray, 240, 255, cv.THRESH_BINARY)同样将徽标图像转换为灰度图像并进行阈值处理，这里阈值设置为 240，目的是更好地提取徽标中的主要部分。
indices = np.where(img1_bg == 0)
img1_bg[indices] = logo[indices]
img[0:rows, 0:cols] = img1_bg通过np.where函数找到img1_bg中值为 0 的像素坐标，然后将徽标图像logo中对应坐标的像素值赋给img1_bg，最后将处理后的区域放回主图像中，实现类似透明效果的徽标添加。
四：学习中的问题
roi = img [0:rows,0:cols] 这句使用的是什么语法
这段代码 roi = img[0:rows, 0:cols] 使用的是 Python 中对数组（或者说是类似数组的对象，比如图像矩阵）进行切片（slice）的语法。具体解释如下：
img是一个数组（通常是图像的像素矩阵，可以是 NumPy 数组或类似的数据结构）。roi是一个变量，用来存储从img中切出来的部分，称为感兴趣区域（Region of Interest）。
现在来分解 img[0:rows, 0:cols]：
img[0:rows, 0:cols]表示从img中切出一个子数组。0:rows表示沿着第一个轴（通常是行）从索引 0 开始到索引rows-1结束的范围。这里rows是一个变量或者常数，表示行数的上限。0:cols表示沿着第二个轴（通常是列）从索引 0 开始到索引cols-1结束的范围。同样，cols是表示列数的变量或常数。
因此，img[0:rows, 0:cols] 实际上是从 img 的左上角开始，取出行数为 rows，列数为 cols 的子数组或子矩阵。
这种切片语法在 Python 中非常常见，不仅仅适用于 NumPy 数组，还适用于 Python 中的列表等可迭代对象。
为什么在opencv中0表示黑色，255表示白色
在OpenCV（Open Source Computer Vision Library）中，像素值的范围通常是从0到255，这是因为像素的灰度值通常用一个8位整数（即一个字节）来表示。这种表示方式有几个历史和技术上的原因：
-
灰度范围的表示：
- 0 表示最暗的灰度，即黑色。
- 255 表示最亮的灰度，即白色。
- 在这个8位灰度范围内，0代表了完全没有光，而255代表了所有可见光的最大强度。
-
数值计算的方便性：
- 使用0到255的范围可以方便地进行数值计算和像素操作，因为这正好是一个八位无符号整数（8-bit unsigned integer）的表示范围。
-
历史原因：
- 这种表示方式源于早期计算机图像处理的标准化，例如在黑白电视时代，8位灰度图像就是一种常见的格式。
- 许多传统的图像处理算法和技术，如阈值处理、直方图均衡化等，都是基于这种0到255的像素值范围设计的。
因此，尽管在不同的图像处理库和应用中可能有不同的约定和表示方式，但在OpenCV中，0表示黑色，255表示白色的约定是一种标准化的选择，使得图像处理和计算更加方便和统一。
openCV bitwise_and函数参数是什么
在 OpenCV 中，bitwise_and 函数用于执行图像的按位与（bitwise AND）操作。它的参数通常是两个图像数组（数组可以是单通道或多通道的）或者一个图像数组和一个标量。具体来说，参数如下：
- src1: 第一个输入图像数组或标量。
- src2: 第二个输入图像数组或标量。
- dst: 输出图像数组，用于存储按位与操作的结果。
如果 src1 和 src2 是图像数组，则它们必须具有相同的尺寸和类型（单通道或多通道）。如果其中一个是标量，那么该标量将与另一个数组的每个像素进行按位与操作。
使用示例（Python 中的 OpenCV）：
import cv2
import numpy as np
# 创建两个示例图像数组
img1 = np.array([[1, 0, 1],
[0, 1, 0],
[1, 0, 1]], dtype=np.uint8)
img2 = np.array([[1, 1, 0],
[0, 0, 1],
[1, 1, 0]], dtype=np.uint8)
# 执行按位与操作
result = cv2.bitwise_and(img1, img2)
print("Result of bitwise AND:")
print(result)
在这个例子中，img1 和 img2 是两个输入图像数组，它们分别表示如下：
img1:
[[1 0 1]
[0 1 0]
[1 0 1]]
img2:
[[1 1 0]
[0 0 1]
[1 1 0]]
执行 bitwise_and 后，输出的 result 图像数组将是按位与操作的结果：
Result of bitwise AND:
[[1 0 0]
[0 0 0]
[1 0 0]]
这是因为按位与操作的规则是对应位置上的两个像素都为 1 时，结果对应位置为 1；否则为 0。
源码中bitwise_and_test函数也验证了这一点
opencv中灰度图像的转换原理
在OpenCV中，灰度图像的转换原理涉及到将彩色图像转换为灰度图像的过程。下面是转换的基本原理和步骤：
-
彩色图像表示：
- 彩色图像通常由红（R）、绿（G）、蓝（B）三个颜色通道组成，每个通道使用一个8位整数（0到255）表示像素的强度。
-
灰度图像的生成：
- 灰度图像是一种只有一个通道的图像，每个像素仅使用一个8位整数（0到255）来表示灰度强度，其中0代表黑色，255代表白色。
-
颜色通道混合：
- OpenCV中通常使用以下加权平均方法将彩色图像转换为灰度图像： [ \text{灰度值} = 0.299 \times R + 0.587 \times G + 0.114 \times B ] 这个公式是根据人眼对不同颜色敏感度的心理视觉模型确定的，其中红色对比绿色和蓝色更敏感。
-
像素级别的转换：
- 对于每个像素，应用上述公式，将其彩色值转换为灰度值。这个过程在整个图像上进行，从而生成一张灰度图像，其中每个像素都代表了相应位置上的灰度强度。
-
OpenCV函数实现：
- 在OpenCV中，可以使用
cv2.cvtColor()函数来实现颜色空间转换。具体转换为灰度图像时，使用的是cv2.COLOR_BGR2GRAY或cv2.COLOR_RGB2GRAY参数，具体取决于图像的颜色通道顺序。
- 在OpenCV中，可以使用
import cv2
# 读取彩色图像
color_image = cv2.imread('input_image.jpg')
# 转换为灰度图像
gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)
# 显示结果
cv2.imshow('Color Image', color_image)
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
彩色图像转变为灰度图像的公式
彩色图像到灰度图像的转换公式通常是基于一种加权平均的方式，其中不同颜色通道的值以不同的权重来计算。在多种公式中，最常见的是使用下列线性组合公式：
[ \text{灰度值} = 0.299 \times R + 0.587 \times G + 0.114 \times B ]
这里：
( R ) 是红色通道的像素值（0到255之间）。
( G ) 是绿色通道的像素值（0到255之间）。
( B ) 是蓝色通道的像素值（0到255之间）。
这些权重（0.299, 0.587, 和 0.114）是根据人眼对不同颜色的感知强度而来的，反映了人眼在视觉感知中对于红色、绿色和蓝色的敏感度差异。五：全部源码
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
from gui.A_GetStartedWithImages import openImg
"""
图像的算术运算
"""
def add():
img1 = cv.imread("../img/img1.jpg")
img2 = cv.imread("../img/img2.jpg")
# 打印图像大小
print(img1.shape,img2.shape)
# 图像2是个横图，图像1为纵图，先旋转一下
img2 = cv.rotate(img2, cv.ROTATE_90_CLOCKWISE)
# 获取宽 高
height, width = img1.shape[:2]
# 将图像1的宽高给图像2
img2 = cv.resize(img2, (width, height))
print(img1.shape,img2.shape)
# Numpy 添加是模运算 必须图像矩阵大小一致
img3 = img1+img2
openImg(img3)
x = np.uint8([10])
y = np.uint8([250])
# >255的数据会被强制变成255
print(cv.add(x,y))
# OpenCV 添加是饱和操作
# 感觉被高曝光了一样，在将两个图象相加时会发现 OpenCV 函数能够提供更好的结果，所以尽可能地选择 OpenCV 函数。
openImg(cv.add(img1,img2))
# 上面图像相加两者应该算是55开的,也可以调整比例混合
'''
src1: 第一个输入图像，通常为CV_8U、CV_16U、CV_32F之一，应与dst具有相同的通道数和深度。
alpha: 第一个输入图像的权重系数。
src2: 第二个输入图像，大小和类型应与src1相同。
beta: 第二个输入图像的权重系数。
gamma: 一个可选的增量，它被添加到每个输出像素上。
dst: 输出图像，与src1和src2有相同的大小和类型。
'''
openImg(cv.addWeighted(img1,0.3,img2,0.7,0))
def logo():
# 读取图像数据
img = cv.imread("../img/img2.jpg")
logo = cv.imread("../img/img3.jpg")
# 获取logo图片的高，宽，通道，对于数组的行数，列数
rows, cols, channels = logo.shape
# 获取一个数组 0-rows,0-cols 切出这么一块区域
roi = img [0:rows,0:cols]
# 将图像进行灰度处理
# 计算公式 [ \text{灰度值} = 0.299 \times R + 0.587 \times G + 0.114 \times B ]
img2gray = cv.cvtColor(logo, cv.COLOR_BGR2GRAY)
# 颜色去生成数组，表示10以上的全部变成255也就是黑色，10一下的全部变成0也就是白色，10一下的基本是透明色，相加区别也不大
ret, mask = cv.threshold(img2gray, 10, 255, cv.THRESH_BINARY)
# 取反0变成255 255变成0 10变成245，本来全是255，现在全变成0
mask_inv = cv.bitwise_not(mask)
# 现在使 ROI 中的徽标区域变黑 按位与操作，参考下面的例子，了解按位与操作，任何
# 如果提供了 mask 参数，那么只有在 mask 中对应位置的像素值为非零时，src1 和 src2 对应位置的像素才会参与按位与操作。如果 mask 中的像素值为零，那么对应位置的输出像素将被置为零。
img1_bg = cv.bitwise_and(roi, roi, mask=mask_inv)
# 经过上面处理img1_bg应该都变成了0
# 仅从徽标图像中获取徽标区域。 mask因为都是255，则都参与按位与操作，但是因为logo的rgb都基本不是1，所有img2_fg 约等于 logo 不排除有个别mask可能等于0
img2_fg = cv.bitwise_and(logo, logo, mask=mask)
# 在 ROI 中放置徽标并修改主图像
# 所以这里白色加任何颜色都等于任何颜色
dst = cv.add(img1_bg, img2_fg)
#将这部分数组替换成那部分数组
# 虽然替换了一大顿，效果应该等于 img[0:rows, 0:cols] = logo这段代码的效果，但是重点学习过程
img[0:rows, 0:cols] = dst
cv.imshow('res', img)
cv.waitKey(0)
cv.destroyAllWindows()
# 写个小demo，提取透明图像
def logo_2():
# 读取图像数据
img = cv.imread("../img/img2.jpg")
logo = cv.imread("../img/img3.jpg")
# 获取logo图片的高，宽，通道，对于数组的行数，列数
rows, cols, channels = logo.shape
# 获取一个数组 0-rows,0-cols 切出这么一块区域
roi = img [0:rows,0:cols]
# 将图像进行灰度处理
# 计算公式 [ \text{灰度值} = 0.299 \times R + 0.587 \times G + 0.114 \times B ]
img2gray = cv.cvtColor(logo, cv.COLOR_BGR2GRAY)
# 颜色去生成数组，表示10以上的全部变成255也就是黑色，10一下的全部变成0也就是白色，10一下的基本是透明色，相加区别也不大
ret, mask = cv.threshold(img2gray, 240, 255, cv.THRESH_BINARY)
# 现在使 ROI 中的徽标区域变黑 按位与操作，参考下面的例子，了解按位与操作，任何
# 如果提供了 mask 参数，那么只有在 mask 中对应位置的像素值为非零时，src1 和 src2 对应位置的像素才会参与按位与操作。如果 mask 中的像素值为零，那么对应位置的输出像素将被置为零。
img1_bg = cv.bitwise_and(roi, roi, mask=mask)
# 寻找黑色的地方
indices = np.where(img1_bg == 0)
# 坐标点替换
img1_bg[indices] = logo[indices]
#将这部分数组替换成那部分数组
# 虽然替换了一大顿，效果应该等于 img[0:rows, 0:cols] = logo这段代码的效果，但是重点学习过程
img[0:rows, 0:cols] = img1_bg
cv.imshow('res', img)
cv.waitKey(0)
cv.destroyAllWindows()
def bitwise_and_test():
# 相同的就是原来的值，不同的就是0
# 创建两个示例图像数组
img1 = np.array([[10, 0, 1],
[0, 1, 0],
[1, 0, 1]], dtype=np.uint8)
print(cv.bitwise_not(img1))
img2 = np.array([[10, 1, 0],
[0, 0, 1],
[1, 1, 0]], dtype=np.uint8)
# 执行按位与操作
result = cv.bitwise_and(img1, img2)
print("Result of bitwise AND:")
print(result)
if __name__ == '__main__':
logo_2()关注公众号：资小库，问题快速答疑解惑
扫一扫
2318
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
