【OpenCV学习】图像的运算和基本变换

🌈据说，看我文章时 关注、点赞、收藏 的 帅哥美女们 心情都会不自觉的好起来。

前言：
🧡作者简介：大家好我是 user_from_future ，意思是 “ 来自未来的用户 ” ，寓意着未来的自己一定很棒~
✨个人主页：点我直达，在这里肯定能找到你想要的~
👍专栏介绍：OpenCV从入门到放弃 ，一个学习OpenCV的专栏~

想看往期历史文章，可以浏览此博文： 历史文章目录，后续所有文章发布都会同步更新此博文~

图像的变换

一张图，能在我们手里放大缩小，在远程控制的时候，有个叫 画面自适应 的选项，能让我们的画面你图像自动铺满屏幕。在这些背后，我们没有学之前能如何调整图像大小呢？
在没有学图像变换之前，我们一般只能将图片的宽高缩小，比如：
这里有一个猫和一个狗：


他们的大小分别如下：

上面的数字代表了图像的 高 、 宽 、 通道数 。
明显猫更大，所以我们需要裁剪一下：

这样两张图片的形状大小就完全一致了，我们来看看猫的裁剪前后：

被裁剪的只剩猫头了~
这样的感觉，很不好，于是我们接下来就学一个图像的变换，让他变成合适的大小却不丢失内容~

现在猫很丝滑的缩小了，这里要注意，OpenCV中应用的长宽数字和读取图像出来的 ndarray 的长宽数字是相反的， ndarray 是先行后列，OpenCV中应用的是先列(宽)后行(高)，这里写反就不对了~

resize用法

你以为这个方法就这么简单吗？NoNoNo，他里面涉及到一个算法：插值算法，放大缩小之后肯定要重新计算像素，这个算法就是用来处理这个的。
该方法的属性如下：resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst

属性名	属性解释	属性值	备注
src	原图	ndarray()	-
dsize	缩放后的大小	(宽，高)	如果为(0, 0)，则使用fx和fy
fx	沿x轴缩放的系数	正数	dsize = (0, 0)时生效
fy	沿y轴缩放的系数	正数	dsize = (0, 0)时生效
interpolation	插值算法	cv2.INTER_NEAREST cv2.INTER_LINEAR cv2.INTER_CUBIC cv2.INTER_AREA	邻近插值 【默认】双线性插值[2x2] 三次插值[4x4] 区域插值[8x8]

其中插值算法所示的四种值，从上到下效果越来越好，但同时耗费的时间越来越多，实际情况需要自己衡量好，一般默认的算法够用。

图像的算术运算

方法名	方法解释	方法参数	方法范围	方法效果	ndarray效果	运用场景	参数顺序
add	图像加法	src1：图片1 src2：图片2	≤255 超出变255	变白	(+=)%256模运算	图片叠加	无要求
subtract	图像减法	src1：图片1 src2：图片2	≥0 低于变0	变暗	(-=)	-	有要求
multiply	图像乘法	src1：图片1 src2：图片2	≤255 超出变255	全白	(*=)	-	无要求
divide	图像除法	src1：图片1 src2：图片2	≥0 低于变0	全黑	(/=)	-	有要求

一小段代码带你了解他们之间的区别：

import numpy as np
from cv2 import cv2

cat = cv2.resize(cv2.imread('./cat.jpeg'), (308, 222))
dog = cv2.resize(cv2.imread('./dog.png'), (308, 222))
cv2.imshow('cat-dog', np.hstack((cv2.add(cat, dog), cv2.subtract(cat, dog), cv2.multiply(cat, dog), cv2.divide(cat, dog))))
cv2.imshow('dog-cat', np.hstack((cv2.add(dog, cat), cv2.subtract(dog, cat), cv2.multiply(dog, cat), cv2.divide(dog, cat))))
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

明显加法和乘法对参数顺序没有要求，其他则有，然后加法还能看出点猫狗叠加的影子，其他不是恐怖片就是啥也不是。

图像的融合——addWeighted用法

刚才的加法的确叠加了，但由于加起来很容易超过255，所以本来比较白的地方叠加在一起就会非常亮，这很不好，于是就有了图像融合方法，目的是通过加权和偏置来调节图像色彩和亮度。
这里我们使用 cv2.addWeighted 来加权融合图像，该方法的属性如下：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst

属性名	属性解释	属性值	备注
src1	原图1	ndarray()	-
alpha	原图1的加权系数	正数	一般在0-1之间且与beta和为0
src2	原图2	ndarray()	-
beta	原图2的加权系数	正数	一般在0-1之间且与alpha和为0
gamma	合成后图像的偏置	整数或浮点数	调节亮度，一般为0

不够直观？没关系，来段代码感受一下：

import numpy as np
from cv2 import cv2

cat = cv2.resize(cv2.imread('./cat.jpeg'), (616, 444))
dog = cv2.imread('./dog.png')
cv2.imshow('cat+dog', np.hstack((cv2.addWeighted(cat, 0.5, dog, 0.5, 0), cv2.addWeighted(cat, 0.8, dog, 0.2, 0), cv2.addWeighted(cat, 0.2, dog, 0.8, 0))))
cv2.imshow('cat+dog~', np.hstack((cv2.addWeighted(cat, 0.5, dog, 0.5, 0), cv2.addWeighted(cat, 0.5, dog, 0.5, 50), cv2.addWeighted(cat, 0.5, dog, 0.5, -50))))
cv2.waitKey(0)
cv2.destroyAllWindows()

上面三张图分别代表不同系数的组合，下面三张图代表不同偏置(亮度)的组合：

感受到应该写怎样的参数了吗？我猜你是感受到了~

图像的位运算

方法名	方法解释	方法参数	方法效果	相当于	参数顺序
bitwise_and	图像与运算	src1：图片1 src2：图片2	变暗(数字变小)	img1 & img2	无要求
bitwise_or	图像或运算	src1：图片1 src2：图片2	变亮(数字变大)	img1 / img2	无要求
bitwise_not	图像非运算	src：图片	黑白互换	255 ^ img 255 -= img	无要求
bitwise_xor	图像异或运算	src1：图片1 src2：图片2	变黑(色彩斑斓)	img1 ^ img2	无要求

仍然是一小段代码带你了解他们之间的区别：

import numpy as np
from cv2 import cv2

cat = cv2.resize(cv2.imread('./cat.jpeg'), (308, 222))
dog = cv2.resize(cv2.imread('./dog.png'), (308, 222))
cv2.imshow('cat-dog', np.hstack((cv2.bitwise_and(cat, dog), cv2.bitwise_or(cat, dog), cv2.bitwise_not(cat), cv2.bitwise_xor(cat, dog))))
cv2.imshow('dog-cat', np.hstack((cv2.bitwise_and(dog, cat), cv2.bitwise_or(dog, cat), cv2.bitwise_not(dog), cv2.bitwise_xor(dog, cat))))
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

有什么作用自己感受吧~ 反正我是觉得都怪怪的用不到~

补充说明

图像的算术运算和位运算中，都可以使用参数 mask=mask 与 掩码 进行 与运算 。

题外话

import numpy as np
from cv2 import cv2

love = cv2.resize(cv2.imread('./love.jpg'), (400, 400))
hurt = cv2.resize(cv2.imread('./hurt.jpg'), (400, 400))
cv2.imshow('show', np.hstack([love, hurt, cv2.addWeighted(love, 0.5, hurt, 0.5, 126), cv2.bitwise_or(love, hurt)]))
cv2.waitKey(0)
cv2.destroyAllWindows()

右边两个图是由左边两个图融合而成，你第一眼看到的是什么呢？