OpenCV学习(3.2) 图像上的算术运算

1.目标

学习图像的几种算术运算，例如加法，减法，按位运算等。

2.图像加法

您可以通过OpenCV函数cv.add()或仅通过numpy操作res = img1 + img2添加两个图像。两个图像应具有相同的深度和类型，或者第二个图像可以只是一个标量值。

注意 OpenCV加法和Numpy加法之间有区别。OpenCV加法是饱和运算，而Numpy加法是模运算。

OpenCV 加法（饱和运算）：在 OpenCV 中，当进行图像加法操作时，如果相加的结果超出了图像像素值的表示范围（通常为 0 到 255），则会进行饱和运算。也就是说，如果相加的结果超出了像素值的表示范围，那么结果将被截断为最大值或最小值，以确保结果在合法范围内。这样可以防止图像出现明显的白色或黑色区域，保持图像的自然外观。

NumPy 加法（模运算）：在 NumPy 中，当进行数组加法操作时，默认情况下会进行模运算。模运算是一种取余数的运算，当相加的结果超出了数据类型的表示范围时，会将结果取余数。这意味着结果会循环回到数据类型的表示范围内，而不会进行饱和处理。这种处理方式可能会导致图像出现明显的条纹或噪点，因为超出范围的像素值会循环到另一端，而不是被截断。

import cv2image = 'D:\papercode\AI\Ai-Dentist-Sample-Code-main\opencv\car_recognition\car.jpg'#读取图片
img1 = cv2.imread(image,cv2.IMREAD_GRAYSCALE)img2 = cv2.imread(image)
img_b = img2[:,:,0]
img_np = img_b + img1
cv2.imshow('img_np',img_np)
img_add = cv2.add(img_b,img1)
cv2.imshow('img_add',img_add)cv2.waitKey(0)
cv2.destoryALLWimdows()

其中，img1是该图像的灰度图，img_b是该图像蓝色通道，img_np是采用numpy操作，img_add是采用cv2.add操作，结果如下：

3.图像融合

这也是图像加法，但是对图像赋予不同的权重，以使其具有融合或透明的感觉。根据以下等式添加图像：

G(x)=(1−α)f0(x)+αf1(x)𝐺(𝑥)=(1−𝛼)𝑓0(𝑥)+𝛼𝑓1(𝑥)

通过从 α𝛼 从 0→10→1 更改，您可以在一个图像到另一个图像之间执行很酷的过渡。

在这里，我拍摄了两个图像，将它们融合在一起。第一幅图像的权重为0.7，第二幅图像的权重为0.3。cv.addWeighted()在图像上应用以下公式。

dst=α⋅img1+β⋅img2+γ𝑑𝑠𝑡=𝛼⋅𝑖𝑚𝑔1+𝛽⋅𝑖𝑚𝑔2+𝛾

在这里，γ𝛾 被视为零。

示例：

dst = cv2.addWeighted(img_np,0.7,img_add,0.3,0)

4.按位运算

在 OpenCV 中，按位运算是对图像进行逐像素的位级别操作的一种技术。OpenCV 提供了一系列按位运算的功能，包括与、或、非、异或等操作，这些操作可以用于图像处理和图像分割等任务。下面是一些常用的按位运算操作：

与运算（AND）：
- cv2.bitwise_and(src1, src2, mask=None)
- 对两个输入图像进行按位与运算，只有当两个对应像素的值都为非零时，输出图像对应像素的值才为非零。

import cv2
import numpy as npcar = cv2.imread(image)  # 车原始图像
mask = np.zeros(car.shape, np.uint8)  # 与车图像大小相等的掩模图像
mask[280:380, :, :] = 255  # 横着的白色区域
mask[:, 280:480, :] = 255  # 竖着的白色区域
img = cv2.bitwise_and(car, mask)  # 或运算
cv2.imshow("car", car)  # 展示车图像
cv2.imshow("mask", mask)  # 展示掩模图像
cv2.imshow("img", img)  # 展示或运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

输出结果：

或运算（OR）：
- cv2.bitwise_or(src1, src2, mask=None)
- 对两个输入图像进行按位或运算，只要两个对应像素的值中有一个为非零，输出图像对应像素的值就为非零。

import cv2
import numpy as npcar = cv2.imread(image)  # 车原始图像
mask = np.zeros(car.shape, np.uint8)  # 与车图像大小相等的掩模图像
mask[280:380, :, :] = 255  # 横着的白色区域
mask[:, 280:480, :] = 255  # 竖着的白色区域
img = cv2.bitwise_or(car, mask)  # 或运算
cv2.imshow("car", car)  # 展示车图像
cv2.imshow("mask", mask)  # 展示掩模图像
cv2.imshow("img", img)  # 展示或运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

输出结果：

非运算（NOT）：
- cv2.bitwise_not(src, mask=None)
- 对输入图像进行按位非运算，即将输入图像中每个像素值取反。

import cv2
import numpy as npcar = cv2.imread(image)  # 车原始图像
mask = np.zeros(car.shape, np.uint8)  # 与车图像大小相等的掩模图像
# mask[280:380, :, :] = 255  # 横着的白色区域
# mask[:, 280:480, :] = 255  # 竖着的白色区域
img = cv2.bitwise_not(car, mask)  # 或运算
cv2.imshow("car", car)  # 展示车图像
# cv2.imshow("mask", mask)  # 展示掩模图像
cv2.imshow("img", img)  # 展示或运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

输出结果：

异或运算（XOR）：
- cv2.bitwise_xor(src1, src2, mask=None)
- 对两个输入图像进行按位异或运算，只有当两个对应像素的值不同时，输出图像对应像素的值才为非零。

import cv2
import numpy as npcar = cv2.imread(image)  # 车原始图像
mask = np.zeros(car.shape, np.uint8)  # 与车图像大小相等的掩模图像
mask[280:380, :, :] = 255  # 横着的白色区域
mask[:, 280:480, :] = 255  # 竖着的白色区域
img = cv2.bitwise_xor(car, mask)  # 或运算
cv2.imshow("car", car)  # 展示车图像
cv2.imshow("mask", mask)  # 展示掩模图像
cv2.imshow("img", img)  # 展示或运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

输出结果：

异或的加密使用，首先执行一次异或运算得到一个结果，再对这个结果执行第二次异或运算，则还原成最初的值，利用这个特点可以实现对图像内容的加密和解密

import cv2
import numpy as npdef encode(img, img_key):  # 加密、解密方法result = img = cv2.bitwise_xor(img, img_key)  # 两图像做异或运算return resultcar = cv2.imread(image)  # 车原始图像
rows, colmns, channel = car.shape  # 原图像的行数、列数和通道数
# 创建与花图像大小相等的随机像素图像，作为密钥图像
img_key = np.random.randint(0, 256, (rows, colmns, 3), np.uint8)cv2.imshow("1", car)  # 展示车图像
cv2.imshow("2", img_key)  # 展示秘钥图像result = encode(car, img_key)  # 对车图像进行加密
cv2.imshow("3", result)  # 展示加密图像
result = encode(result, img_key)  # 对车图像进行解密
cv2.imshow("4", result)  # 展示加密图像
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

下面利用异或运算的特点对图像进行加密和解密