【OpenCV学习】（五）图像运算

背景

图像本质就是矩阵，对图像的处理往往就是矩阵的运算；常见的运算有加法、减法和位运算等，一些进阶的滤波等操作，也是基于这些简单运算而来的，只是修改了一些参数而已；

一、加法运算

实际上就是像素值的相加，起到一个调节亮度（曝光）的效果；

案例代码：

org = cv2.imread('./org.jpg')
# 创建一个相同大小的背景图
img = np.ones((1200, 1920, 3), np.uint8) * 30
# 像素值相加
result = cv2.add(org, img)
cv2.imshow('result', result)
cv2.waitKey(0)

深度思考一下，在具体项目中，对于数据的预处理也可以用加法的操作；通过两张图像相加并且设置一定权重，可以生成一张新的图像，扩展数据集的同时也提高了泛化能力；

二、减法运算

函数原型：

subtract（A,B）：代表A减B

案例代码：

result = cv2.subract(org, img)

效果就是使图片变暗，也就是降低亮度；

三、图像融合

之前介绍加法操作时提及到可以设定权重，实际上opencv中有给定这样的函数addWeighted（A，alpha，B，bate，gamma），其中alpha和beta是代表AB图像的权重，gamma表示静态权重；

案例代码：

A = cv2.imread('A.jpg')
B = cv2.imread('B.jpg')
result = cv2.addWeighted(A, 0.7, B, 0.3, 0)

注意：不管做任何运算，需要确保两张图像的大小一致；

四、位运算

1、非运算

bitwise_not（图像）：也就是把黑的变白，白的变黑；

2、与运算

bitwise_and（图像A，图像B）：也就是像素值相同的部分为白，不同部分为黑；（求交集）

3、或运算

bitwise_or（图像A，图像B）：也就是像素值为白的部分全部为白，其余部分为黑；（求并集）

4、异或运算

bitwise_xor（图像A，图像B）：也就是像素值相同部分为黑，其余部分不变；（并集减去交集）

五、添加水印案例

主要步骤：

1、引入原始图像；

2、设计一个LOGO图像；

3、计算添加位置，将原始图像中该区域设置成黑色；

4、将LOGO图像与处理后图像用add叠加；

代码示例：

dog = cv2.imread('./dog.jpeg')
# 创建LOGO和mask
logo = np.zeros((200,200,3), np.uint8)
mask = np.zeros((200,200), np.uint8)

# 绘制图形
logo[10:110,10:110] = [0, 255, 0]
logo[90:190, 90:190] = [0, 0, 255]

mask[10:110,10:110] = 255
mask[90:190, 90:190] = 255

# 对mask求反
mask = cv2.bitwise_not(mask)

# 选择图像的一个区域
roi = dog[0:200, 0:200]

# 与mask进行操作
tmp = cv2.bitwise_and(roi, roi, mask)

# 叠加操作（由于图像过大，这里进行了缩放）
dst = cv2.add(tmp, logo)
dog[0:200,0:200] = dst
dog = cv2.resize(dog, (500,500), interpolation = cv2.INTER_AREA)

# 显示图像
cv2.imshow('dog', dog)
cv2.waitKey(0)

总结

图像的运算基本上都是用函数实现了，从使用上看起来比较简单，但其内在的原理相对会复杂一些；并且对于一些分割任务需要设置掩码的，本质上就是一种图像的运算，在后续会深入再运用；