基于python的opencv快速入门——图像运算

基于python的opencv快速入门——图像运算

太原理工机器人团队20日打卡day15

1、图像加法运算

• 图像加法运算分为两种
  • 加号运算符
  • cv2.add()函数

加号运算符

• 加号运算符遵循以下规则
  • 如果两个图像对应像素和小于255，取相加值
  • 如果两个图像像素值的和大于255，取对于256的模

cv2.add()函数

• cv2.add()的函数满足以下规则
  • 两个图像对应像素和小于255，取相加值
  • 如果两个图像像素值的和大于255，取255
• 语法为

计算结果 = cv2.add(像素值a，像素值b)

Notes：

• cv2.add()的参数有可能有以下3种情况
  • 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
  • 计算结果 = cv2.add(数值，图像)
    • 第一个参数是数值，第二个参数是图像
    • 此时将超过图像饱和值的数值处理为饱和值（最大值）
  • 计算结果 = cv2.add(图像，数值)
    • 第一个参数是图像，第二个参数是数值
    • 此时将超过图像饱和值的数值处理为饱和值（最大值）

import cv2
a = cv2.imread("Second.jpg")
b = a
result1 = a+b
result2 = cv2.add(a,b)
cv2.imshow("original",a)
cv2.imshow("result1",result1)
cv2.imshow("result2",result2)
cv2.waitKey()
cv2.destroyAllWindows()

• 从上述运算结果可以看出
  • 使用加号运算符计算图像像素值的和时，将和大于255的值进行了取模处理，取模后大于255的这部分值变得更小了，导致本来应该更亮的像素点变得更暗了，相加所得的图像看起来并不自然。
  • 使用函数cv2.add()计算图像像素值的和时，将和大于255的值处理为饱和值255。图像像素值相加后让图像的像素值增大了，图像整体变亮。

2、图像加权和

• 将每幅图像权重考虑进来，可以用公式表达

$$
dst=saturate（src1×α+src2×β+γ）

$$

• 式中，saturate()表示取饱和值（最大值）。
• 图像进行加权和计算时，要求src1和src2必须大小、类型相同，但是对具体是什么类型和通道没有特殊限制。
• 它们可以是任意数据类型，也可以有任意数量的通道（灰度图像或者彩色图像），只要二者相同即可。

• opencv中提供了函数cv2.addWeighted()函数
• 语法格式如下

dst = cv2.addWeighted(scr1, alpha ,scr2, beta, gamma)

• 其中，参数alpha和beta是src1和src2所对应的系数，它们的和可以等于1，也可以不等于1。
• 该函数实现的功能是dst = src1×alpha + src2×beta + gamma。
• 需要注意，式中参数gamma的值可以是0，但是该参数是必选参数，不能省略。
• 可以将上式理解为“结果图像=图像1×系数1+图像2×系数2+亮度调节量”。

3、按位逻辑运算

按位与运算

算子1	算子2	结果
0	0	0
0	1	0
1	0	0
1	1	1

• 再OpenCV中可以使用cv2.bitwise_and()函数实现按位与运算
• 其语法为

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

dst表示与输入值具有同样大小的array输出值。

• src1表示第一个array或scalar类型的输入值。
• src2表示第二个array或scalar类型的输入值。
• mask表示可选操作掩码，8位单通道array。

按位与操作有如下特点

• 将任何数值N与数值0进行按位与操作，都会得到数值0。
• 将任何数值N（这里仅考虑8位值）与数值255（8位二进制数是11111111）进行按位与操作，都会得到数值N本身。

一种应用

根据上述特点，可以构造一幅掩模图像M，掩模图像M中只有两种值：一种是数值0，另外一种是数值255。将该掩模图像M与一幅灰度图像G进行按位与操作，在得到的结果图像R中：

• 与掩模图像M中的数值255对应位置上的值，来源于灰度图像G。
• 与掩模图像M中的数值0对应位置上的值为零（黑色）。

import cv2
import numpy  as np
a=cv2.imread("lena.bmp",0)
b=np.zeros(a.shape, dtype=np.uint8)
b[100:400,200:400]=255
b[100:500,100:200]=255
c=cv2.bitwise_and(a, b)
cv2.imshow("a", a)
cv2.imshow("b", b)
cv2.imshow("c", c)
cv2.waitKey()
cv2.destroyAllWindows()

按位或运算

算子1	算子2	结果
0	0	0
0	1	1
1	0	1
1	1	1

• 在OpenCV中可以使用cv2.bitwise_or()函数来实现
• 其语法格式如下

dst = cv2.bitwise_or(scr1 ,scr2 [,mask])

按位非运算

• 运算为真时，结果为假
• 运算为假时，结果为真
• 语法如下

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

按位异或

算子1	算子2	结果
1	1	0
1	0	1
0	1	1
0	0	0

• 语法格式如下

dst = cv2.bitwise_xor(sc1 ,scr2 [,mask])

4、掩模

• 当使用掩模参数时，操作只会在掩模为非空的像素点上执行，并将其他像素点的值置为0

5、位平面分解

将灰度图像中处于同一比特位上的二进制像素值进行组合，得到一幅二进制值图像，该图像被称为灰度图像的一个位平面，这个过程被称为位平面分解

• 在八位灰度图中，每一个像素使用8位二进制来表示
• 其值在[0，255]之间
• 可以将其中的值表示为

$$
value=a7×27+a6×26+a5×25+a4×24+a3×23+a2×22+a1×21+a0×20

$$

• 式中，ai的可能值为0或1。
• 可以看出，各个ai的权重是不一样的，a7的权重最高，a0的权重最低。
• 这代表a7的值对图像的影响最大，而a0的值对图像的影响最小。

import cv2
import numpy as np
lena=cv2.imread("lena.bmp",0)
cv2.imshow("lena", lena)
r, c=lena.shape
x=np.zeros((r, c,8), dtype=np.uint8)
for i in range(8):
	x[:, :, i]=2**i
r=np.zeros((r, c,8), dtype=np.uint8)
for i in range(8):
	r[:, :, i]=cv2.bitwise_and(lena, x[:, :, i])
    mask=r[:, :, i]>0
    r[mask]=255
    cv2.imshow(str(i), r[:, :, i])
cv2.waitKey()
cv2.destroyAllWindows()

在本例中，通过两个循环提取了灰度图像的各个位平面，具体说明如下。

• 使用x=np.zeros((r, c,8), dtype=np.uint8)语句设置一个用于提取各个位平面的提取矩阵。该矩阵是“r×c×8”大小的，其中r是行高，c是列宽，8表示共有8个通道。r、c的值来源于要提取的图像的行高、列宽。矩阵x的8个通道分别用来提取灰度图像的8个位平面。例如，x[:, :,0]用来提取灰度图像的第0个位平面。
• 在第1个for循环中，使用x[:, :, i]=2**i语句设置用于提取各个位平面的提取矩阵的值。
• 在第2个for循环中，实现了各个位平面的提取、阈值处理和显示。

6、数字水印

从位平面的角度考虑，数字水印的处理过程分为下面两步。

• 嵌入过程：将载体图像的第0个位平面替换为数字水印信息（一幅二值图像）。
• 提取过程：将载体图像的最低有效位所构成的第0个位平面提取出来，得到数字水印信息。