—OpenCV|OpenCV-Python——第7章（图像的基本运算） python|基本运算|逻辑运算|mask

目录
1 图像的算术运算2 图像的逻辑运算
1 图像的算术运算
参数含义：

src1：第一张图像
src2：第二张图像
dst：destination，目标图像，需要提前分配空间，可省略
mask：掩膜
scale：缩放比，常量
dtype：数据类型，默认等于-1

cv2.add(src1,src2,dst,mask,dtype)

输出两个图像加法：dst = src1 + src2

cv2.subtract(src1,src2,dst,mask,dtype)

输出两个图像减法：dst = src1 - src2

cv2.multiply(src1,src2,dst,scale,dtype)

输出两个图像乘法：dst = scale * src1 * src2

cv2.divide(src1,src2,dst,scale,dtype)

举个例子

import cv2 import numpy as np from matplotlib import pyplot as pltx = np.uint8([250]) y = np.uint8([10]) print(cv2.add(x, y)) print(x+y)img1 = cv2.imread('test5.jpg')# 图片1 img2 = cv2.imread('test6.jpg')# 图片2 add = cv2.add(img1, img2)# 两个图像相加 subtract = cv2.subtract(img1, img2)# 两个图像相减 multiply = cv2.multiply(img1, img2)# 两个图像相乘 divide = cv2.divide(img1, img2)# 两个图像相除plt.subplot(231), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB), 'gray'), plt.title('img1') plt.subplot(232), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB), 'gray'), plt.title('img2') plt.subplot(233), plt.imshow(cv2.cvtColor(add, cv2.COLOR_BGR2RGB), 'gray'), plt.title('add') plt.subplot(234), plt.imshow(cv2.cvtColor(subtract, cv2.COLOR_BGR2RGB), 'gray'), plt.title('subtract') plt.subplot(235), plt.imshow(cv2.cvtColor(multiply, cv2.COLOR_BGR2RGB), 'gray'), plt.title('multiply') plt.subplot(236), plt.imshow(cv2.cvtColor(divide, cv2.COLOR_BGR2RGB), 'gray'), plt.title('divide') plt.show()

结果如下：

输出两个图像除法：dst = scale * src1 / src2

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

输出两个图像线性相加：dst = alpha * src1 + beta * src2 + gamma
例如：

import cv2 import numpy as np from matplotlib import pyplot as pltdef nothing(x):# 滑动条的回调函数 passtop = cv2.imread('test5.jpg')# 图片1 bottom = cv2.imread('test6.jpg')# 图片2 WindowName = 'example'# 窗口名 cv2.namedWindow(WindowName, cv2.WINDOW_AUTOSIZE)# 建立空窗口cv2.createTrackbar('proportion', WindowName, 0, 100, nothing)# 两张图片间转换img1 = cv2.addWeighted(bottom, 0, top, 1, 0) img2 = cv2.addWeighted(bottom, 0.3, top, 0.7, 0) img3 = cv2.addWeighted(bottom, 0.5, top, 0.5, 0) img4 = cv2.addWeighted(bottom, 0.7, top, 0.3, 0) img5 = cv2.addWeighted(bottom, 1, top, 0, 0)plt.subplot(231), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB), 'gray'), plt.title('0:10') plt.subplot(232), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB), 'gray'), plt.title('3:7') plt.subplot(233), plt.imshow(cv2.cvtColor(img3, cv2.COLOR_BGR2RGB), 'gray'), plt.title('5:5') plt.subplot(234), plt.imshow(cv2.cvtColor(img4, cv2.COLOR_BGR2RGB), 'gray'), plt.title('7:3') plt.subplot(235), plt.imshow(cv2.cvtColor(img5, cv2.COLOR_BGR2RGB), 'gray'), plt.title('10:0')while(1): a1 = cv2.getTrackbarPos('proportion', WindowName)# 获取a1滑动条值 overlap = cv2.addWeighted(bottom, 1-a1/100, top, a1/100, 0)# 将两张图片相加 cv2.imshow(WindowName, overlap) k = cv2.waitKey(1) & 0xFF if k == 27: break elif k == ord('m'):# 按m输出matplotlib绘图 plt.show() cv2.destroyAllWindows()

结果如下：

文章图片

按m输出matplotlib绘图

2 图像的逻辑运算

cv2.bitwise_and(src1,src2,dst,mask)

输出两个图像的交集：dst = src1 & src2

cv2.bitwise_or(src1,src2,dst,mask)

输出两个图像的并集：dst = src1 | src2

cv2.bitwise_not(src,dst,mask)

输出图像的非：dst = - src

cv2.bitwise_xor(src1,src2,dst,mask)

输出两个图像的异或：dst = src1 ^ src2
例如：

import cv2 import numpy as np from matplotlib import pyplot as pltimg1 = cv2.imread('test8.jpg')# 图片1 img2 = cv2.imread('test9.jpg')# 图片2 band = cv2.bitwise_and(img1, img2)# 两个图像求交 bor = cv2.bitwise_or(img1, img2)# 两个图像求并 bnot = cv2.bitwise_not(img1)# 图像求非 bxor = cv2.bitwise_xor(img1, img2)# 两个图像求异或plt.subplot(231), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB), 'gray'), plt.title('img1') plt.subplot(232), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB), 'gray'), plt.title('img2') plt.subplot(233), plt.imshow(cv2.cvtColor(band, cv2.COLOR_BGR2RGB), 'gray'), plt.title('and') plt.subplot(234), plt.imshow(cv2.cvtColor(bor, cv2.COLOR_BGR2RGB), 'gray'), plt.title('or') plt.subplot(235), plt.imshow(cv2.cvtColor(bnot, cv2.COLOR_BGR2RGB), 'gray'), plt.title('not') plt.subplot(236), plt.imshow(cv2.cvtColor(bxor, cv2.COLOR_BGR2RGB), 'gray'), plt.title('xor') plt.show()

结果如下：

文章图片

如果用普通图片效果如下：

最后讲一下掩膜，数字图像处理中，图像掩模主要用于：

提取感兴趣区,用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0。
屏蔽作用,用掩模对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计。
结构特征提取,用相似性变量或图像匹配方法检测和提取图像中与掩模相似的结构特征。
特殊形状图像的制作。

举一个例子：

import cv2 import numpy as npimg1 = cv2.imread('test5.jpg') img2 = cv2.imread('logo.jpg')rows, cols, channels = img2.shape# 获取图像2的属性 roi = img1[125:125+rows, 125:125+cols]# 选择roi范围img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 转换为灰度图像 ret, mask = cv2.threshold(img2gray, 175, 255, cv2.THRESH_BINARY)# 设置阈值 mask_inv = cv2.bitwise_not(mask)# 非运算img1_bg = cv2.bitwise_and(roi, roi, mask=mask) img2_fg = cv2.bitwise_and(img2, img2, mask=mask_inv)dst = cv2.add(img1_bg, img2_fg) img1[125:125+rows, 125:125+cols] = dst cv2.imshow('res', img1) cv2.imshow('mask', mask) cv2.imshow('mask_imv', mask_inv) cv2.waitKey(0) cv2.destroyAllWindows()

结果如下：
原图