OpenCV4【5】-图像基本运算

图像运算有很多种，包括加法、减法、乘法、除法、位运算、平方根、对数、绝对值等;

加减乘除等需保持图像 shape 和 dtype 一致，或者第二个图像是个标量值；

dst = cv.add(src1, src2[, dst[, mask[, dtype]]])
dst = cv2.subtract(src1, src2, dst, mask, dtype)
dst = cv2.multiply(src1, src2, dst, scale, dtype)        dst = scale * src1 * src2
dst = cv2.divide(src1, src2, dst, scale, dtype)          dst = scale * src1 / src2

注意 OpenCV运算和 Numpy运算之间有区别：OpenCV运算是饱和运算，而Numpy运算是模运算；

OpenCV功能将提供更好的结果，最好坚持使用OpenCV功能。

图像加法

以加法为例解释饱和运算和模运算

## opencv  VS  numpy
# def add(src1, src2, dst=None, mask=None, dtype=None):
x = np.uint8([10])
y = np.uint8([250])
z1 = x + y          # 250 + 10 = 260 % 256 = 4      8位无符号整型，最大 256
z2 = cv.add(x, y)   # 250 + 10 = 260 => 255
print(z1, z2)       # [4] [[255]]

第二个数为标量值示例

# 加 标量值
xx = np.random.randint(0, 100, size=(2, 2), dtype=np.uint8)
print(xx)
# [[ 8 22]
#  [28 11]]
yy = 10
zz = cv.add(xx, yy)
print(zz)
# [[18 32]
#  [38 21]]

图像融合

图像融合的本质也是图像加法，只是赋予了图像不同的权重；它给人一种混合或透明的感觉

计算公式：dst=α⋅img1+β⋅img2+γ

# def addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None):
img11 = cv.imread('imgs/2.png')[:300, :350]
img22 = cv.imread('imgs/3.png')[:300, :350]         # img11  img22 shape 一致
print(img11.shape, img11.dtype, img22.shape, img22.dtype)
img33 = cv.addWeighted(img11, 0.3, img22, 0.7, 0)
cv.imshow('t', img33)
cv.waitKey(0)

效果图

图像减法与差分

图像差分其实就是两张图做差，图像的减法通常用于查找图像的差异；

subtract(src1, src2, dst=None, mask=None, dtype=None）

src1：作为被减数的图像数组或一个标量
src2：作为减数的图像数组或一个标量
dst：可选参数，输出结果保存的变量，默认值为None，如果为非None，输出图像保存到dst对应实参中，其大小和通道数与输入图像相同，图像的深度（即图像像素的位数）由dtype参数或输入图像确
mask：图像掩膜，可选参数，为8位单通道的灰度图像，用于指定要更改的输出图像数组的元素，即输出图像像素只有mask对应位置元素不为0的部分才输出，否则该位置像素的所有通道分量都设置为0
dtype：可选参数，输出图像数组的深度，即图像单个像素值的位数（如RGB用三个字节表示，则为24位）。
返回值：相减的结果图像

示例

img1 = np.random.randint(100, 256, size=(5, 5), dtype=np.uint8)
img2 = np.random.randint(0, 20, size=(5, 5), dtype=np.uint8)

dst1 = cv.subtract(img1, img2)
print('jianfa', dst1)

dst2 = cv.absdiff(img1, img2)
print('chafen', dst2)

print((dst1 - dst2).sum())      # 0

一般都选用 opencv 的用法，而不用 numpy 计算，区别请看

https://blog.csdn.net/LaoYuanPython/article/details/109020778

图像乘法

不太常用，也没看懂怎么算的

x = np.random.randint(0, 10, size=(3, 3), dtype=np.uint8)
y = np.random.choice([0, 255], size=(3, 3)).astype(np.uint8)
z1 = cv.multiply(x, y)
z2 = cv.multiply(x, x)
print(x)
# [[  8 150  28]
#  [139  24 219]
#  [208 171  67]]
print(y)
# [[255 255 255]
#  [  0   0   0]
#  [  0   0 255]]
print(z1)
# [[255 255 255]
#  [  0   0   0]
#  [  0   0 255]]
print(z2)
# [[64  0  9]
#  [49  9 49]
#  [49 81 49]]

位运算

这个比较常用，也比较复杂

基础函数

先简单了解几个函数，在位运算中会用到　　　　　　【更详细的功能后续会专门讲解】

固定阈值二值化

def threshold(src, thresh, maxval, type, dst=None)

src：输入图，只能输入单通道图像，通常来说为灰度图
thresh：阈值
maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
dst：输出图

上下阈值二值化

def inRange(src, lowerb, upperb, dst=None)

介于 low 和 up 之间为 255，否则为 0

示例

xx = np.random.randint(0, 255, size=(5, 5), dtype=np.uint8)
print(xx)
# [[  8 150  28 139  24]
#  [219 208 171  67  55]
#  [ 67  71 103 223 123]
#  [105  87  47 173 108]
#  [ 79   0 193 134 176]]
## def threshold(src, thresh, maxval, type, dst=None):   # 小于 thresh 为 0，大于 thresh 为 maxval
yy, zz = cv.threshold(xx, 100, 200, cv.THRESH_BINARY)
print(zz)
# [[  0 200   0 200   0]
#  [200 200 200   0   0]
#  [  0   0 200 200 200]
#  [200   0   0 200 200]
#  [  0   0 200 200 200]]

## def inRange(src, lowerb, upperb, dst=None):       # 介于 low 和 up 之间 为 255，否则为 0
ss = cv.inRange(xx, 100, 150)
print(xx)
# [[  8 150  28 139  24]
#  [219 208 171  67  55]
#  [ 67  71 103 223 123]
#  [105  87  47 173 108]
#  [ 79   0 193 134 176]]
print(ss)
# [[  0 255   0 255   0]
#  [  0   0   0   0   0]
#  [  0   0 255   0 255]
#  [255   0   0   0 255]
#  [  0   0   0 255   0]]

掩膜 mask

掩膜的概念来源于PCB制版的过程，在半导体制造中，许多芯片工艺步骤采用光刻技术，用于这些步骤的图形“底片”称为掩膜（也称作“掩模”），

其作用是：在硅片上选定的区域用一个不透明的图形模板遮盖，继而下面的腐蚀或扩散将只影响选定的区域以外的区域。

图像掩膜与其类似，用选定的图形、图像或物体对待处理的图像进行遮挡，来控制图像处理的区域或者处理过程

数字图像处理中，掩膜多为二维矩阵，也可为多值图像，图像掩膜主要用于：

1. 提取感兴趣区域ROI：掩膜图像与待处理图像相乘，感兴趣区内图像值保持不变，其余置0

2. 屏蔽作用：用掩膜对图像上某些区域进行屏蔽，使其不参与处理，或者仅对屏蔽区域进行处理

3. 结构特征提取：用相似性计算或者图像匹配方法检测和提取图像中与掩膜相似的结构特征

4. 特殊形状图像的制作

位运算函数

bitwise_and是对二进制数据进行“与”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0

bitwise_or 是对二进制数据进行“或”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“或”操作，1|1=1，1|0=0，0|1=0，0|0=0

bitwise_xor是对二进制数据进行“异或”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“异或”操作，1^1=0,1^0=1,0^1=1,0^0=0

bitwise_not是对二进制数据进行“非”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“非”操作，~1=0，~0=1

示例

## def bitwise_and(src1, src2, dst=None, mask=None):
x = np.uint8([[0, 0], [255, 255]])
print(x)
# [[  0   0]
#  [255 255]]
y = np.uint8([[0, 255], [0, 255]])
print(y)
# [[  0 255]
#  [  0 255]]
print(cv.bitwise_not(x))        # 取反， 0变成255， 255变成0
# [[255 255]
#  [  0   0]]
print(cv.bitwise_and(x, x))     #
# [[  0   0]
#  [255 255]]
print(cv.bitwise_and(x, y))     # 且
# [[  0   0]
#  [  0 255]]
print(cv.bitwise_or(x, x))
# [[  0   0]
#  [255 255]]
print(cv.bitwise_or(x, y))      # 或
# [[  0 255]
#  [255 255]]
print(cv.bitwise_xor(x, x))
# [[0 0]
#  [0 0]]
print(cv.bitwise_xor(x, y))     # 异或，不同为255，相同为0
# [[  0 255]
#  [255   0]]

掩膜-位运算-实例

以郁金香图片为例，原图大小为1024×768，先压缩一下，利用opencv的inRange()函数，制作掩模，再用bitwise_and()函数，提取感兴趣区域

# set blue thresh
lower_yellow = np.array([11, 43, 46])
upper_yellow = np.array([25, 255, 255])

frame = cv.imread("imgs/mask2.png")  # 读取图像
cv.imshow("who", frame)

# compress
cp = cv.resize(frame, (300, 300), interpolation=cv.INTER_AREA)
cv.imwrite("tulips_1.jpg", cp)
# change to hsv model
hsv = cv.cvtColor(cp, cv.COLOR_BGR2HSV)
# get mask
mask = cv.inRange(hsv, lower_yellow, upper_yellow)  # 获取黄色 ROI, inRange 介于 low 和 up 之间 为 1
cv.imshow('Mask', mask)
# detect blue
res = cv.bitwise_and(cp, cp, mask=mask)             # 只对 mask 进行计算，这里就是 提取 mask 区域，其他区域置0
cv.imshow('Result', res)
cv.waitKey(0)
cv.destroyAllWindows()

效果图

参考资料：

https://blog.csdn.net/sinat_21258931/article/details/61418681　　python-opencv函数总结之（一）threshold、adaptiveThreshold、Otsu 二值化

https://blog.csdn.net/qq_42444944/article/details/91988092　　　python-opencv中的cv2.inRange函数

https://blog.csdn.net/weixin_26882891/article/details/113009845　　python图像相乘运算_opencv-python-学习笔记六（图像的基本运算）

https://blog.csdn.net/youandme520/article/details/107844995　　bitwise_and、bitwise_not等图像基本运算及掩膜

https://blog.csdn.net/weixin_41115751/article/details/84568029　　python_opencv图像算术运算（cv2.bitwise_and(),cv2.bitwise_not()）按位运算

https://blog.csdn.net/zhouzongzong/article/details/93028651　　【OpenCV + Python】之bitwise_and、bitwise_not，bitwise_xor等图像基本运算（opencv位操作）

发表于 2021-10-09 14:51 努力的孔子阅读(277) 评论(0) 编辑收藏举报

刷新页面返回顶部