OpenCV-Python学习（6）—— OpenCV 图像算术操作
OpenCV-Python学习（6）—— OpenCV 图像算术操作
Rattenking
发布于 2022-10-24 15:59:28
发布于 2022-10-24 15:59:28
1. 知识点
- 算术操作；
- 像素算术操作。
2. NumPy算术操作 和 OpenCV像素运算
2.1 加法
2.1.0 cv.add 函数
cv.add(src1,src2[,dst[,mask[,dtype]]])2.1.1 代码测试
- 读取图片butterfly和lena；
- 获取两张图片[0,100]位置的像素值；
- 使用加法、np.add、cv.add进行算术操作。
import cv2 as cv
import numpy as np
def sums_add():
img1 = cv.imread('./images/butterfly.jpg')
img2 = cv.imread('./images/lena.jpg')
print('img1',img1[0,100])
print('img2',img2[0,100])
print('加法',img2[0,100] + img1[0,100])
print('np.add',np.add(img2[0,100], img1[0,100]))
print('cv.add',cv.add(img2[0,100], img1[0,100]))
if __name__ == "__main__":
sums_add()2.1.2 测试结果
在这里插入图片描述
2.2 减法
2.2.0 cv.subtract 函数
cv.subtract(src1,src2[,dst[,mask[,dtype]]])2.2.1 代码测试
import cv2 as cv
import numpy as np
def sums_subtract():
img1 = cv.imread('./images/butterfly.jpg')
img2 = cv.imread('./images/lena.jpg')
print('img1',img1[0,100])
print('img2',img2[0,100])
print('减法',img2[0,100] - img1[0,100])
print('np.subtract',np.subtract(img2[0,100], img1[0,100]))
print('cv.subtract',cv.subtract(img2[0,100], img1[0,100]))
if __name__ == "__main__":
sums_subtract()2.2.2 测试结果
在这里插入图片描述
2.3 乘法
2.3.0 cv.multiply函数
cv.multiply(src1,src2[,dst[,scale[,dtype]]])2.3.1 代码测试
import cv2 as cv
import numpy as np
def sums_multiply():
img1 = cv.imread('./images/butterfly.jpg')
img2 = cv.imread('./images/lena.jpg')
print('img1',img1[0,100])
print('img2',img2[0,100])
print('乘法',img2[0,100] * img1[0,100])
print('np.multiply',np.multiply(img2[0,100], img1[0,100]))
print('cv.multiply',cv.multiply(img2[0,100], img1[0,100]))
if __name__ == "__main__":
sums_multiply()2.3.2 测试结果
在这里插入图片描述
2.4 除法
2.4.0 cv.divide 函数
cv.divide(src1,src2[,dst[,scale[,dtype]]])2.4.1 代码测试
import cv2 as cv
import numpy as np
def sums_divide():
img1 = cv.imread('./images/butterfly.jpg')
img2 = cv.imread('./images/lena.jpg')
print('img1',img1[0,100])
print('img2',img2[0,100])
print('除法',img2[0,100] * img1[0,100])
print('np.divide',np.divide(img2[0,100], img1[0,100]))
print('cv.divide',cv.divide(img2[0,100], img1[0,100]))
if __name__ == "__main__":
sums_divide()2.4.2 测试结果
在这里插入图片描述
2.5 注意
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。
- 保证不越界，cv.add、cv.subtract、cv.multiply、cv.divide取值范围 [0,255]。
3. 图像像素运算
3.1 实例
- 读取要图像像素运算的原图片 opencv-logo-white；
- 复制一个和原图形状一致的矩阵，数组元素以 0 来填充；由于图像像素运算两个图像必须是一样大小，所以直接复制一个形状一致的矩阵。
- 修改矩阵每个元素的颜色为 (110,0,250)；
- 图像像素加法运算【cv.add】，由于保证不越界，因此相加大于255的值最后的值都是255，如果三通道都是255就是白色；
- 图像像素减法运算【cv.subtract】，由于保证不越界，因此相减小于0的值最后的值都是0，如果三通道都是0就是黑色；
- 图像像素乘法运算【cv.multiply】，由于保证不越界，因此相乘大于255的值最后的值都是255，如果三通道都是255就是白色，由于复制图片的颜色是(110,0,250)，所以除黑色外的颜色就是(255,0,255)；
- 图像像素除法运算【cv.divide】，由于保证不越界，同时元素的dtype=np.uint8，所以原图像除以(110,0,250)，所有元素值都基本是(0,0,0)【黑色】。
import cv2 as cv
import numpy as np
def sums_image():
image1 = cv.imread("./images/opencv-logo-white.png")
image2 = np.zeros_like(image1)
image2[:] = (110,0,250)
cv.imshow('image1', image1)
cv.imshow('image2', image2)
# 图像像素加法运算
add_img = cv.add(image1, image2)
cv.imshow('add_img', add_img)
# 图像像素减法运算
subtract_img = cv.subtract(image1, image2)
cv.imshow('subtract_img', subtract_img)
# 图像像素乘法运算
multiply_img = cv.multiply(image1, image2)
cv.imshow('multiply_img', multiply_img)
# 图像像素除法运算
divide_img = cv.divide(image1, image2)
cv.imshow('divide_img', divide_img)
cv.waitKey(0)
cv.destroyAllWindows()
if __name__ == "__main__":
sums_image()3.2 实例结果
在这里插入图片描述
4. NumPy 算术运算进行图像操作
4.1 实例
import cv2 as cv
import numpy as np
def numpy_image():
image1 = cv.imread("./images/opencv-logo-white.png")
image2 = np.zeros_like(image1)
image2[:] = (110,0,250)
cv.imshow('image1', image1)
cv.imshow('image2', image2)
# 图像像素加法运算
add_img = np.add(image1, image2)
cv.imshow('add_img', add_img)
# 图像像素减法运算
subtract_img = np.subtract(image1, image2)
cv.imshow('subtract_img', subtract_img)
# 图像像素乘法运算
multiply_img = np.multiply(image1, image2)
cv.imshow('multiply_img', multiply_img)
# 图像像素除法运算
divide_img = np.divide(image1, image2)
cv.imshow('divide_img', divide_img)
cv.waitKey(0)
cv.destroyAllWindows()
if __name__ == "__main__":
numpy_image()4.2 实例结果
在这里插入图片描述
4.3 总结
- OpenCV和Numpy的加法运算不同，OpenCV的加法运算是饱和运算，而Numpy的加法运算是模运算。
- 饱和运算最大的特点是不讲究溢出位，执行结果与底层关系不大；假设变量的类型是8位无符号整型，那么最大数是255，如果在数学上相加的结果大于255，那么饱和运算返回结果就是255。
- 模运算考虑溢出位，执行结果需要向计算机底层原理——二进制的方面思考；假设变量的类型是8位无符号整型，那么最大数是255（对应二进制11111111），如果在数学上相加的结果大于255，那么就会发生溢出，仅仅保留容器范围内的二进制位。
- 由于饱和运算和模运算的不同，可以看到做相同操作后，两种运算得到的图像差距较大！
5. NumPy 数据类型
名称 | 说明 |
|---|---|
bool_ | 布尔型数据类型（True 或者 False） |
int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
int8 | 字节（-128 to 127） |
int16 | 整数（-32768 to 32767） |
int32 | 整数（-2147483648 to 2147483647） |
int64 | 整数（-9223372036854775808 to 9223372036854775807） |
uint8 | 无符号整数（0 to 255） |
uint16 | 无符号整数（0 to 65535） |
uint32 | 无符号整数（0 to 4294967295） |
uint64 | 无符号整数（0 to 18446744073709551615） |
float_ | float64 类型的简写 |
float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
complex_ | complex128 类型的简写，即 128 位复数 |
complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
总结
- 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。
- 饱和运算最大的特点是不讲究溢出位，执行结果与底层关系不大；假设变量的类型是8位无符号整型，那么最大数是255，如果在数学上相加的结果大于255，那么饱和运算返回结果就是255。
- 模运算考虑溢出位，执行结果需要向计算机底层原理——二进制的方面思考；假设变量的类型是8位无符号整型，那么最大数是255（对应二进制11111111），如果在数学上相加的结果大于255，那么就会发生溢出，仅仅保留容器范围内的二进制位。
- 保证不越界，cv.add、cv.subtract、cv.multiply、cv.divide取值范围 [0,255]。
- 由于图像像素运算两个图像必须是一样大小。
- 注意：OpenCV 元素的 dtype 是 np.uint8【无符号整数（0 to 255）】；Numpy 直接定义整数元素的 dtype 是 np.int32【整数（-2147483648 to 2147483647）】。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2022-10-11，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读