【OpenCV入门】第五部分——图像运算

这篇具有很好参考价值的文章主要介绍了【OpenCV入门】第五部分——图像运算。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

掩模

当计算机处理图像时,有些内容需要处理,有些内容不需要处理。能够覆盖原始图像,仅暴露原始图像“感兴趣区域”(ROI)的模板图像就叫做掩模

掩模(mask),也叫做掩码,在程序中用二值图像来表示:0值(纯黑)区域表示被遮盖的部分,255值(纯白)区域表示暴露的部分(某些场景下也会用0和1当作掩模的值)。示意图如下:
【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

在使用OpenCV处理图像时,通常使用NumPy库提供的方法来创建掩模图像。

实例1: 创建3通道掩模图像
利用NumPy库的zeros()方法创建一幅掩模图像

import cv2
import numpy as np

# 创建宽150、高150、3通道、像素类型为无符号8位数字的零值图像
mask = np.zeros((150, 150, 3), np.uint8)
mask[50:100, 20:80, :] = 255;  # 50~100行、20~80列的像素改为纯白像素
cv2.imshow("mask1", mask)  # 展示掩模
mask[:, :, :] = 255;  # 全部改为纯白像素
mask[50:100, 20:80, :] = 0;  # 50~100行、20~80列的像素改为纯黑像素
cv2.imshow("mask2", mask)  # 展示掩模
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:
【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

图像的加法运算

图像中每一个像素都有用整数表示的像素值,两幅图像相加就是让相同位置像素值相加,最后将计算结果按照原位置组成一幅新图像。示意图如下:
【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

dst = cv2.add(src1, src2, mask, dtype)
  • src1: 第一幅图像
  • src2: 第二幅图像
  • mask:(可选)掩模,建议使用默认值
  • dtype:(可选)图像深度,建议使用默认值
  • dst: 相加之后的结果图像。如果相加之后值的结果大于255,则取255

实例2: 分别使用“+”和add()方法计算图像和

import cv2

img = cv2.imread("beach.jpg")  # 读取原始图像
sum1 = img + img  # 使用运算符相加
sum2 = cv2.add(img, img)  # 使用方法相加
cv2.imshow("img", img)  # 展示原图
cv2.imshow("sum1", sum1)  # 展示运算符相加结果
cv2.imshow("sum2", sum2)  # 展示方法相加结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

从结果中可以看出,“+”运算符的计算结果如果超出了255,就会取相加和除以255的余数,也就是取模运算,像素值相加之后反而变得更小了,由浅色变成了深色;而add()方法的计算结果如果超过了255,就取值255,很多浅颜色像素彻底变成了纯白色。

当使用与“+”运算符相对的“-”运算符操作一幅图像时,又会呈现怎样的视觉效果呢?首先先来了解一下相片底片的颜色与图像的原色之间有哪些联系。

相片底片的颜色与图像的原色是正好相反的,即反色,又被称为补色,红色的补色是绿色,蓝色的补色是橙色,黄色的补色是紫色。

下面通过一个实例演示如何使用“-”运算符得到图像底片的效果。

实例3: 显示图像底片的效果
图像的反色与原色叠加后,可以变为纯白色。因此,为了得到一幅图像的底片效果,只需用255(纯白色)减去这幅图像中的每一个像素的BGR值即可。

import cv2

img = cv2.imread("3.png") # 读取当前项目文件夹下的图像
cameraFilm = 255 - img # 用纯白色减去图像的原色得到图像的反色,从而得到这幅图像的底片效果
cv2.imshow("img", img) # 显示图像
cv2.imshow("cameraFilm", cameraFilm) # 窗口显示图像底片的效果
cv2.waitKey() # 按下键盘上的任意按键后
cv2.destroyAllWindows() # 销毁显示图像的所有窗口

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

下面通过一个实例演示如何使用加运算修改图像颜色。

实例4: 模拟三色光叠加得白光

import cv2
import numpy as np

img1 = np.zeros((150, 150, 3), np.uint8)  # 创建150*150的0值图像
img1[:, :, 0] = 255  # 蓝色通道赋予最大值
img2 = np.zeros((150, 150, 3), np.uint8)
img2[:, :, 1] = 255  # 绿色通道赋予最大值
img3 = np.zeros((150, 150, 3), np.uint8)
img3[:, :, 2] = 255  # 红色通道赋予最大值
cv2.imshow("1", img1)  # 展示蓝色图像
cv2.imshow("2", img2)  # 展示绿色图像
cv2.imshow("3", img3)  # 展示红色图像
img = cv2.add(img1, img2)  # 蓝色 + 绿色 = 青色
cv2.imshow("1+2", img)  # 展示蓝色加绿色的结果
img = cv2.add(img, img3)  # 红色 + 青色 = 白色
cv2.imshow("1+2+3", img)  # 展示三色图像相加的结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

图像的加运算中也可以使用掩模。

实例5: 利用掩模遮盖相加结果
创建纯蓝和纯红这两幅图像,使用add()方法对两幅图像进行加运算,并在方法中添加一个掩模。

import cv2
import numpy as np

img1 = np.zeros((150, 150, 3), np.uint8)  # 创建150*150的0值图像
img1[:, :, 0] = 255  # 蓝色通道赋予最大值
img2 = np.zeros((150, 150, 3), np.uint8)
img2[:, :, 2] = 255  # 红色通道赋予最大值

img = cv2.add(img1, img2)  # 蓝色 + 红色 = 洋红色
cv2.imshow("no mask", img)  # 展示相加的结果

m = np.zeros((150, 150, 1), np.uint8)  # 创建掩模
m[50:100, 50:100, :] = 255  # 掩模中央位置为纯白色
cv2.imshow("mask", m)  # 展示掩模

img = cv2.add(img1, img2, mask=m)  # 相加时使用掩模
cv2.imshow("use mask", img)  # 展示相加的结果

cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

图像的位运算

图像由像素组成,每个像素可以用十进制整数表示,十进制整数又可以转化为二进制数,所以图像也可以做位运算。OpenCV提供了几种常用的位运算方法:

方法 含义
cv2.bitwise_and() 按位与
cv2.bitwise_or() 按位或
cv2.bitwise_not() 按位取反
cv2.bitwise_xor() 按位异或

按位与运算

与运算就是按照二进制位进行判断,如果同一位的数字都是1,则运算结果的相同位数字取1,否则取0。OpenCV提供 bitwise_and() 方法来对图像做位与运算。

dst = cv2.bitwise_and(src1, src2, mask)
  • src1: 第一幅图像
  • src2: 第二幅图像
  • mask:(可选)掩模
  • dst: 与运算之后的结果图像

图像做与运算时,会把每一个像素值都转为二进制数,然后让两幅图像相同位置的两个像素值做与运算,最后把运算结果保存在新图像的相同位置上。运算过程如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python
与运算有两个特点:

  • 如果某像素与纯白色像素做与运算,结果仍然是某像素的原值
  • 如果某像素与纯黑色像素做与运算,结果为纯黑像素

由此可以得出:如果原图像与掩模进行与运算,原图像仅会保留掩模中白色区域所覆盖的内容,其他区域全部变成黑色。

实例6: 花图像与十字掩模做与运算
创建一个掩模,在掩模中央保留一个十字形的白色区域,让掩模与花图像做与运算,查看运算之后的结果。

import cv2
import numpy as np

flower = cv2.imread("3.png")  # 花原始图像
mask = np.zeros(flower.shape, np.uint8)  # 与花图像大小相等的掩模图像
mask[135:235, :, :] = 255  # 横着的白色区域
mask[:, 102:203, :] = 255  # 竖着的白色区域
img = cv2.bitwise_and(flower, mask)  # 与运算
cv2.imshow("flower", flower)  # 展示花图像
cv2.imshow("mask", mask)  # 展示掩模图像
cv2.imshow("img", img)  # 展示与运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:
【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

按位或运算

如果同一位的数字都是0,则运算结果的相同位数字取0,否则取1。OpenCV提供bitwise_or()方法来对图像做或运算。

dst = cv2.bitwise_or(src1, src2, mask)
  • src1: 第一幅图像
  • src2: 第二幅图像
  • mask:(可选)掩模
  • dst: 或运算之后的结果图像

运算过程如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

或运算有两个特点:

  • 如果某像素与纯白色像素做或运算,结果为纯白色像素
  • 如果某像素与纯黑色像素做或运算,结果仍然是某像素的原值

由此可以得出:如果原图像与掩模进行或运算,原图像仅会保留掩模中黑色区域所覆盖的内容,其他区域全部变成白色。

实例7: 花图像与十字掩模做或运算
创建一个掩模,在掩模中央保留一个十字形的白色区域,让掩模与花图像做或运算。

import cv2
import numpy as np

flower = cv2.imread("3.png")  # 花原始图像
mask = np.zeros(flower.shape, np.uint8)  # 与花图像大小相等的掩模图像
mask[135:235, :, :] = 255  # 横着的白色区域
mask[:, 102:203, :] = 255  # 竖着的白色区域
img = cv2.bitwise_or(flower, mask)  # 或运算
cv2.imshow("flower", flower)  # 展示花图像
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

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

按位取反运算

取反运算是一种单目运算,仅需一个数字参与运算就可以得出结果。如果运算数某位上数字是0,则运算结果的相同位的数字就取1,如果这一位的数字是1,则运算结果的相同为的数字取0。

dst = cv2.bitwise_not(src, mask)
  • src: 参与运算的图像
  • mask:(可选)掩模
  • dst: 取反运算之后结果图像

运算过程如下:
【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

实例8: 对花图像进行取反运算

import cv2

flower = cv2.imread("3.png")  # 花原始图像
img = cv2.bitwise_not(flower)  # 取反运算
cv2.imshow("flower", flower)  # 展示花图像
cv2.imshow("img", img)  # 展示取反运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

按位异或运算

如果两个运算数同一位上的数字相同,则运算结果的相同位数字取0,否则取1。

dst = cv2.bitwise_xor(src, mask)
  • src: 参与运算的图像
  • mask:(可选)掩模
  • dst: 异或运算之后的结果图像

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

异或运算有两个特点:

  • 如果某像素与纯白色像素做异或运算,结果为原像素的取反结果
  • 如果某像素与纯黑色像素做异或运算,结果仍然是某像素的原值

由此可以得出:如果原图像与掩模进行异或运算,掩模白色区域所覆盖的内容呈现取反结果,黑色区域覆盖的内容保持不变。

实例9: 花图像与十字掩模做异或运算

import cv2
import numpy as np

flower = cv2.imread("3.png")  # 花原始图像
m = np.zeros(flower.shape, np.uint8)  # 与花图像大小相等的0值图像
m[135:235, :, :] = 255  # 横着的白色区域
m[:, 102:203, :] = 255  # 竖着的白色区域
img = cv2.bitwise_xor(flower, m)  # 两张图像做异或运算
cv2.imshow("flower", flower)  # 展示花图像
cv2.imshow("mask", m)  # 展示零值图像
cv2.imshow("img", img)  # 展示异或运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python
异或运算还有一个特点: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,则又会还原成最初的值。利用这个特点可以实现对图像内容的加密和解密。

实例10: 对图像进行加密、解密
利用random.randint()方法创建一个随机像素值图像作为密钥图像,让密钥图像与原始图像做异或运算得出加密运算,再使用密钥图像对加密图像进行解密。

import cv2
import numpy as np

def 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 result

flower = cv2.imread("3.png")  # 花原始图像
rows, colmns, channel = flower.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", flower)  # 展示花图像
cv2.imshow("2", img_key)  # 展示秘钥图像

result = encode(flower, img_key)  # 对花图像进行加密
cv2.imshow("3", result)  # 展示加密图像
result = encode(result, img_key)  # 对花图像进行解密
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

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

图像位运算的运用

实例11: 粘贴带透明区域的图像
本实例要实现的是将一幅带透明区域的图像粘贴到一幅不透明图像的指定位置

要明确两个问题的处理方法:一个是实现”粘贴“的效果后,让图1中透明元素呈现纯黑色的视觉效果;另一个是如果图1太大,超出了图2的宽、高,那么对超出的像素不做处理。

import cv2
import numpy as np

def overlay_img(background_img, prospect_img, img_over_x, img_over_y):
    back_r, back_c, _ = background_img.shape # 背景图像行数、列数
    if img_over_x>back_c or img_over_x<0 or img_over_y>back_r or img_over_y<0:
        print("前景图不在背景图范围内")
        return background_img
    pro_r, pro_c, _ = prospect_img.shape # 前景图像行数、列数
    if img_over_x + pro_c > back_c: # 如果水平方向展示不全
        pro_c = back_c - img_over_x # 截取前景图的列数
        prospect_img = prospect_img[:, 0:pro_c, :] # 截取前景图
    if img_over_y + pro_r > back_r: # 如果垂直方向展示不全
        pro_r = back_r - img_over_y # 截取前景图的行数
        prospect_img = prospect_img[0:pro_r, :, :] # 截取前景图

    # 前景图转为4通道图像
    prospect_img = cv2.cvtColor(prospect_img, cv2.COLOR_BGR2BGRA)
    # 与背景图像等大的临时前景图层
    prospect_tmp = np.zeros((back_r, back_c, 4), np.uint8)

    # 前景图像放到前景图层里
    prospect_tmp[img_over_y:img_over_y + pro_r,
    img_over_x: img_over_x + pro_c, :] = prospect_img

    # 前景图阈值处理
    _, binary = cv2.threshold(prospect_img, 254, 255, cv2.THRESH_BINARY)
    prospect_mask = np.zeros((pro_r, pro_c, 1), np.uint8) # 单通道前景图像掩模
    prospect_mask[:, :, 0] = binary[:, :, 3] # 不透明像素的值作为掩模的值

    mask = np.zeros((back_r, back_c, 1), np.uint8) # 单通道前景图层的掩模
    # 将前景图像掩模按照坐标参数放到前景图层掩模中
    mask[img_over_y:img_over_y + prospect_mask.shape[0],
    img_over_x: img_over_x + prospect_mask.shape[1]] = prospect_mask

    mask_not = cv2.bitwise_not(mask) # 前景图层掩模取反

    # 前景图层与前景掩模做与运算,抠出前景图有效内容
    prospect_tmp = cv2.bitwise_and(prospect_tmp, prospect_tmp, mask=mask)
    # 背景图像与取反掩模做与运算,清除前景图所占区域的像素值
    background_img = cv2.bitwise_and(background_img, background_img, mask=mask_not)
    # 前景图层转为三通道图像
    prospect_tmp = cv2.cvtColor(prospect_tmp, cv2.COLOR_BGRA2BGR)
    return prospect_tmp + background_img # 前景图层与背景图像相加合并

img = cv2.imread("beach.jpg") # 读取当前项目目录下的图像,作为“背景图像”
img_over = cv2.imread("star.png") # 读取带透明区域的图像,作为“覆盖图像”
img_over_x = 55 # 覆盖图像在背景图像上的横坐标
img_over_y = 3 # 覆盖图像在背景图像上的纵坐标
# 显示粘贴“覆盖图像”后的“背景图像”
cv2.imshow("result", overlay_img(img, img_over, img_over_x, img_over_y))
cv2.waitKey() # 通过按下键盘上的按键
cv2.destroyAllWindows() # 销毁正在显示的窗口

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

合并图像

合并图像分两种情况:

  • 两幅图像融合在一起
  • 每幅图像提供一部分内容,将这些内容拼接程一幅图像

OpenCV分别用加权和与覆盖两种方式来满足上述需求。

加权和

多次曝光技术是在一张胶片上拍摄几个影响,最后冲印出的相片会同时具有多个影像的信息。

OpenCV通过计算加权和的方式,按照不同的权重取两幅图像的像素之和,最后组成新图像。加权和不会像纯加法运算那样让图像丢失信息,而是尽量在保留原有图像信息的基础上把两幅图像融合到一起。

dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)
  • src1: 第一幅图像
  • alpha: 第一幅图像的权重
  • src2: 第二幅图像
  • beta: 第二幅图像的权重
  • gamma: 在和结果上添加的标量。该值越大,结果图像越亮,相反则越暗。可以是负数。
  • dst: 叠加之后的图像

实例12: 利用计算加权和的方式实现多次曝光效果
读取两幅不同的风景图像,使用addWeighted()方法计算两幅图像的加权和,两幅图像的权重都为0.6,标量为0,查看处理之后的图像是否为多次曝光结果。

import cv2

sun = cv2.imread("sunset.jpg")  # 日落原始图像
beach = cv2.imread("beach.jpg")  # 沙滩原始图像
rows, colmns, channel = sun.shape  # 日落图像的行数、列数和通道数
beach = cv2.resize(beach, (colmns, rows))  # 沙滩图像缩放成日落图像大小
img = cv2.addWeighted(sun, 0.6, beach, 0.6, 0)  # 计算两幅图像加权和
cv2.imshow("sun", sun)  # 展示日落图像
cv2.imshow("beach", beach)  # 展示沙滩图像
cv2.imshow("addWeighted", img)  # 展示加权和图像
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下:
【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

实例13: 为图像添加水印效果

import cv2

image = cv2.imread("3.png") # 读取当前项目文件夹下的主图图像
website = cv2.imread("website.png") # 读取当前项目文件夹下的网址图像
# 将网址图像由BGR色彩空间转换为GRAY色彩空间
website_gray = cv2.cvtColor(website, cv2.COLOR_BGR2GRAY)
rows, cols = website_gray.shape # 获取转换为GRAY色彩空间的网址图像的行像素和列像素
# 网址图像的左上角在主图图像内的位置
dx, dy = 272, 71
# 根据网址图像的左上角在主图图像内的位置以及网址图像的行像素和列像素,
# 把主图图像内的相应区域定义为感兴趣区域(roi)
roi = image[dx:dx + rows, dy:dy + cols]
# 将网址图像与主图图像的感兴趣区域进行图像加权和运算
add = cv2.addWeighted(website, 0.2, roi, 1.0, 1)
# 把进行图像加权和运算后的结果混合到主图图像内
image[dx:dx + rows, dy:dy + cols] = add
cv2.imshow("result", image) # 窗口显示网址图像与主图图像混合后的图像
cv2.waitKey() # 按下键盘上的任意按键后
cv2.destroyAllWindows() # 销毁显示图像的所有窗口

结果如下:

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python

覆盖

覆盖图像就是直接把前景图像显示在背景图像中,前景图像会挡住背景图像。覆盖之后背景图像会丢失信息,不会出现加权和那样的多次曝光的效果。

OpenCV没有提供覆盖操作的方法,我们可以直接用修改图像像素值的方式实现图像的覆盖、拼接效果:从A图像中取像素值,直接复制给B图像的像素,这样就能在B图像中看到A图像的信息了。实例13中的

image[dx:dx + rows, dy:dy + cols] = add

这行代码就是一个例子,直接将像素赋值,简单粗暴。

如果前景图像时4通道(含alpha通道)图像,就不能使用上面例子中直接替换整个区域的方式覆盖背景图像了。因为前景图像中有透明的像素,透明的像素不应该挡住背景,所以在给背景图像像素赋值时应该排除所有透明的前景像素。

实例14: 拼接禁止吸烟图像
不要把前景图像的透明像素覆盖到背景图像上。覆盖之前要遍历前景图像中的每一个像素,如果像素的alpha通道值为0,表示该像素是透明像素,就要停止操作该像素。

import cv2

# 拼接图像方法
def overlay_img(img, img_over, img_over_x, img_over_y):
    img_h, img_w, img_p = img.shape  # 背景图像宽、高、通道数
    img_over_h, img_over_w, img_over_c = img_over.shape  # 覆盖图像宽、高、通道数
    if img_over_c <= 3:  # 通道数小于等于3
        img_over = cv2.cvtColor(img_over, cv2.COLOR_BGR2BGRA)  # 转换成4通道图像
    for w in range(0, img_over_w):  # 遍历列
        for h in range(0, img_over_h):  # 遍历行
            if img_over[h, w, 3] != 0:  # 如果不是全透明的像素
                for c in range(0, 3):  # 遍历三个通道
                    x = img_over_x + w  # 覆盖像素的横坐标
                    y = img_over_y + h  # 覆盖像素的纵坐标
                    if x >= img_w or y >= img_h:  # 如果坐标超出最大宽高
                        break
                    img[y, x, c] = img_over[h, w, c]  # 覆盖像素
    return img

smoking = cv2.imread("smoking.png", cv2.IMREAD_UNCHANGED)  # 吸烟图像,保持原格式
no_img = cv2.imread("no.png", cv2.IMREAD_UNCHANGED)  # 禁止图像,保持原格式
cv2.imshow("smoking", smoking)  # 展示禁止图像
img = overlay_img(smoking, no_img, 95, 90)  # 将禁止图像覆盖到吸烟图像之上
cv2.imshow("no smoking", img)  # 展示覆盖结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下;

【OpenCV入门】第五部分——图像运算,OpenCV,opencv,人工智能,计算机视觉,算法,python文章来源地址https://www.toymoban.com/news/detail-689706.html

到了这里,关于【OpenCV入门】第五部分——图像运算的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • OpenCV 笔记(4):图像的算术运算、逻辑运算

    图像的本质是一个矩阵,所以可以对它进行一些常见的算术运算,例如加、减、乘、除、平方根、对数、绝对值等等。除此之外,还可以对图像进行逻辑运算和几何变换。 我们先从简单的图像加、减、逻辑运算开始介绍。后续会有专门的内容介绍图像的几何变换等。 图像的

    2024年02月06日
    浏览(49)
  • OpenCV——图像按位运算

    OpenCV——图像按位运算由CSDN点云侠原创,爬虫自重。如果你不是在点云侠的博客中看到该文章,那么此处便是不要脸的爬虫。   OpenCV4 针对两个图像之间的“与”、“或”、“异或”、以及“非”运算分别提供了 bitwise_and() 、 bitwise_or() 、 bitwise_xor() 、 bitwise_not() 函数。图

    2024年02月01日
    浏览(42)
  • opencv -11 图像运算之按位逻辑运算(图像融合&图像修复和去除)

    按位逻辑运算是一种对图像进行像素级别的逻辑操作的方法,使用OpenCV的按位逻辑运算函数可以对图像进行位与(AND)、位或(OR)、位非(NOT)和位异或(XOR)等操作。 通俗点就是将像素点的十进制值转成二进制 来运算 以下是一些常见的按位逻辑运算的应用场景: 图像融

    2024年02月17日
    浏览(46)
  • 【OpenCv • c++】图像识别边缘检测 图像差分运算

    🚀 个人简介:CSDN「 博客新星 」TOP 10 , C/C++ 领域新星创作者 💟 作    者: 锡兰_CC ❣️ 📝 专    栏: 【OpenCV • c++】计算机视觉 🌈 若有帮助,还请 关注➕点赞➕收藏 ,不行的话我再努努力💪💪💪 边缘检测是图像处理与计算机视觉中最重要的技术之一,其目的是检

    2024年02月03日
    浏览(39)
  • C++结合OpenCV:图像的加法运算

    一、图像运算 针对图像的加法运算、位运算都是比较基础的运算。但是,很多复杂的图像处理功能正是借助这些基础的运算来完成的。所以,牢固掌握基础操作,对于更好地实现图像处理是非常有帮助的。本章简单介绍了加法运算、位运算,并使用它们实现了位平面分解、图

    2024年01月18日
    浏览(47)
  • 【图像处理OpenCV(C++版)】——2.2 OpenCV之矩阵运算详解(全)

    前言 : 😊😊😊 欢迎来到本博客 😊😊😊 🌟🌟🌟 本专栏主要结合OpenCV和C++来实现一些基本的图像处理算法并详细解释各参数含义,适用于平时学习、工作快速查询等,随时更新。 😊😊😊 具体食用方式:可以点击本专栏【OpenCV快速查找(更新中)】–搜索你要查询的算子

    2024年02月03日
    浏览(68)
  • Opencv+Python笔记(三)图像的基本运算

    1.图像的加法运算 两种加法 使用OpenCv的cv.add()函数将两幅图像简单相加(饱和操作 若结果大于255 则取255) Opencv API: 输入:src1 src2:需要相加的两张图片;dst:相加后的输出图像(可省略);mask:掩码矩阵(可省略),mask 是一个8位的单通道图像,它指定了目标图像哪些元素会被

    2023年04月22日
    浏览(33)
  • OpenCV 05(图像的算术与位运算)

    - add  opencv使用add来执行图像的加法运算 图片就是矩阵, 图片的加法运算就是矩阵的加法运算, 这就要求加法运算的两张图 shape必须是相同的 . 另外一种写法:   opencv中resize中传递新的宽度和高度, 先宽度再高度, 所有是先列后行, 和shape的输出反了 `dog.shape[:-1]` 它用于获取图

    2024年02月09日
    浏览(31)
  • opencv -10 基础运算之 图像加权和(图像融合&图像修复&视频合成)

    所谓图像加权和,就是在计算两幅图像的像素值之和时,将每幅图像的权重考虑进来,可以用公式表示为: 式中,saturate()表示取饱和值(最大值)。图像进行加权和计算时,要求 src1 和 src2 必须大小、类型相同 ,但是对具体是什么类型和通道没有特殊限制。它们可以是任意

    2024年02月16日
    浏览(47)
  • OpenCV(图像处理)-基于Python-形态学处理-开运算、闭运算、顶帽、黑帽运算

    OpenCV形态学是一种基于OpenCV库的数字图像处理技术,主要用于处理图像的形状、结构和空间关系。它包括一系列图像处理工具和算法,包括膨胀、腐蚀、开运算、闭运算、形态学梯度、顶帽、黑帽等。 通过对图像进行形态学操作可以实现一些重要的图像处理任务,比如去除噪

    2024年02月09日
    浏览(57)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包