图像加法运算

加号运算符“+”
cv2.add()函数

通常情况下，在灰度图像中，像素用8个比特位（一个字节）来表示，像素值的范围是[0, 255]。两个像素值在进行加法运算时，求得的和很可能超过255.上述两种不同的加法运算方式，对超过255的数值的处理方式是不一样的。

加号运算符

式中，mod()是取模运算，表示计算“a+b的和除以256取余数”

import numpy as np

img1 = np.random.randint(0, 256, size=[3,3], dtype=np.uint8)
img2 = np.random.randint(0, 256, size=[3,3], dtype=np.uint8)

img1

array([[ 84,   0, 138],
       [ 86,  82, 191],
       [ 42,  14, 182]], dtype=uint8)

img2

array([[202,  39, 180],
       [ 22, 222, 180],
       [196, 207, 191]], dtype=uint8)

img1+img2

array([[ 30,  39,  62],
       [108,  48, 115],
       [238, 221, 117]], dtype=uint8)

cv2.add()函数

当像素值的和大于255时统一赋值为255

1 2	import cv2 cv2.add(img1, img2)

array([[255,  39, 255],
       [108, 255, 255],
       [238, 221, 255]], dtype=uint8)

案例：分别使用加号运算符和函数cv2.add()计算两幅灰度图像的像素值之和。

import cv2
import numpy as np
a = cv2.imread('data/dog.jpg', flags=cv2.IMREAD_GRAYSCALE)
b = a
c = a+b
d = cv2.add(a, b)
cv2.imshow('dog', np.hstack([a, c, d]))
cv2.waitKey()
cv2.destroyAllWindows()

# 使用plt进行批量图像绘制
def get_show(*args):
    import matplotlib.pyplot as plt
    img_list = []
    # 彩色图像
    if len(args[0].shape) == 3:
        for i in args:
            img_list.append(i[:,:,::-1])
        plt.figure(figsize=[20,20])
        plt.xticks([])
        plt.yticks([])
        plt.imshow(np.hstack(img_list))
        plt.show()
    # 黑白图像
    else:
        img_list = args
        plt.figure(figsize=[20,20])
        plt.xticks([])
        plt.yticks([])
        plt.imshow(np.hstack(img_list), cmap='gray')
        plt.show()

图像加权和

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
用公式表示为dst=saturate(src1×α+src2×β+γ)
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。它们可以是任意数据类型，也可以有任意数量的通道（灰度图像或彩色图像），只要二者相同即可

cv2.addWeighted(src1, alpha, src2, beta, gamma)函数

案例1：使用数组演示函数cv2.addWeighted()的使用

1 2	import cv2 import numpy as np

img1 = np.ones((3,4), dtype=np.uint8)*100
img2 = np.ones((3,4), dtype=np.uint8)*10
gamma = 3
img3 = cv2.addWeighted(img1, 0.6, img2, 5, gamma)

img3

array([[113, 113, 113, 113],
       [113, 113, 113, 113],
       [113, 113, 113, 113]], dtype=uint8)

案例2：使用函数cv2.addWeighted()对两幅图像进行加权混合，观察处理结果

import cv2
import numpy as np
a = cv2.imread('data/dog.jpg')
b = np.zeros(a.shape, dtype=np.uint8)
b[:,:,0]=255

1	c = cv2.addWeighted(a,0.5, b, 0.9, 0.5)

1	get_show(a,b,c)

按位逻辑运算

按位与运算

dst=cv2.bitwise_and(src1, src2[,mask])
式中：
dst：表示与输入值具有同样大小的array输出值
src1：表示第一个array或scalar类型的输入值
src2：表示第二个array或scalar类型的输入值
mask：表示可选操作掩码，8位单通道array
任何数值与0进行按位与操作，都会得到0；任何数值与255进行按位与操作都会得到其本身

案例1：使用数组演示与掩膜图像的按位与运算

1 2	import cv2 import numpy as np

a = np.random.randint(0,255,(5,5), dtype=np.uint8)
b = np.zeros((5,5), dtype=np.uint8)
b[0:3, 0:3]=255
b[4,4] = 255
c=cv2.bitwise_and(a,b)
print("a=\n", a)
print("b=\n", b)
print("c=\n", c)

a=
 [[ 84 160  87 219  74]
 [ 39 218 132  80   0]
 [  4 211  49  22  27]
 [  0 122 195  76  13]
 [131 143 210  71 244]]
b=
 [[255 255 255   0   0]
 [255 255 255   0   0]
 [255 255 255   0   0]
 [  0   0   0   0   0]
 [  0   0   0   0 255]]
c=
 [[ 84 160  87   0   0]
 [ 39 218 132   0   0]
 [  4 211  49   0   0]
 [  0   0   0   0   0]
 [  0   0   0   0 244]]

案例2：构造一个掩模图像，使用按位与运算保留图像中被掩膜指定的部分

1 2	import cv2 import numpy as np

1 2	img = cv2.imread('data/dog.jpg') a = np.zeros(img.shape, dtype=np.uint8)

1	a[200:300, 250:350,:]=255

1 2	b = cv2.bitwise_and(img,a) get_show(img,a,b)

按位或运算

dst=cv2.bitwise_or(src1,src2[,mask])
dst：表示与输入值具有同样大小的array输出值
src1：表示第一个array或scalar类型的输入值
src2：表示第二个array或scalar类型的输入值
mask：表示可选操作掩码，8位单通道array

按位非运算

dst=cv2.bitwise_not(src[,mask])
dst：表示与输入值具有同样大小的array输出值
src：表示array类型的输入值
mask：表示可选操作掩码，8位单通道array

按位异或运算

dst=cv2.bitwise_xor(src1,src2[,mask])
dst：表示与输入值具有同样大小的array输出值
src1：表示第一个array或scalar类型的输入值
src2：表示第二个array或scalar类型的输入值
mask：表示可选操作掩码，8位单通道array

掩膜

opencv中很多函数都会指定一个掩膜，也被称为掩码，例如：
计算结果=cv2.add(参数1, 参数2, 掩膜)
当使用掩膜参数时，操作只会在掩膜值为非空的像素点上执行，并将其他像素点的值置为0.

import cv2
import numpy as np
img = cv2.imread('data/dog.jpg')
a = np.zeros(img.shape[:2], dtype=np.uint8)
print('掩膜的尺寸为：', a.shape)
a[200:300, 250:350]=255
b = cv2.bitwise_and(img,img, mask=a)  # 设定掩膜参数
get_show(img,b)

掩膜的尺寸为： (300, 534)

图像与数值的运算

在上述加法运算和按位运算中，参与运算的两个算子（参数）既可以是两幅图像，也可以是一幅图像与一个数值
例如，如果想增加图像的整体亮度，可以将每一个像素值都加上一个特定值。在具体实现时，可以给图像加上一个统一像素值的图像，也可以给图像加上一个固定值。但是针对彩色图像只能对第一个维度进行处理

import numpy as np
import cv2

a = np.random.randint(0, 255, (5,5), dtype=np.uint8)
print('a=\n', a)
b = cv2.add(a, 5)  # 每个个像素点加5，但保持最大值为255
print('b=\n', b)

a=
 [[223  18  28  73  52]
 [184 232 223 182 254]
 [166 239  98   0 211]
 [ 96 158 239  31 230]
 [ 26 228 100 247  67]]
b=
 [[228  23  33  78  57]
 [189 237 228 187 255]
 [171 244 103   5 216]
 [101 163 244  36 235]
 [ 31 233 105 252  72]]

import numpy as np
import cv2

img = cv2.imread('data/dog.jpg', cv2.IMREAD_GRAYSCALE)
light_img = cv2.add(img, 100)
get_show(img, light_img)  # 提高图像的亮度

位平面分解

将灰度图像中位于同一比特位上的二进制像素值进行组合，得到一幅二进制值图像，该图像被称为灰度图像的一个位平面，这个过程被称为位平面分解
建立一个值均为2^n的Mat作为提取矩阵（数组），用来与原始图像进行按位与运算，可提取对应的第n个位平面。
位平面的位数越高说明其在原始图像中的权重越高，越接近原始图像。

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('data/dog.jpg', 0)
h,w = img.shape
x = np.zeros((h,w,8), dtype=np.uint8)  # 初始化用于位平面分解的矩阵
for i in range(8):
    x[:,:,i] = np.power(2, i)  # 对矩阵进行相应的赋值
img_bit_split = np.zeros((h,w,8), dtype=np.uint8)
for i in range(8):
    img_bit_split[:,:,i] = cv2.bitwise_and(img, x[:,:,i])

plt.rcParams['font.sans-serif']='SimHei'
plt.figure(figsize=(10,10))
plt.subplot(3,3,1)
plt.title('原始图像')
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap='gray')
for i in range(1,9):
    plt.subplot(3,3,i+1)
    plt.title('第%d位位平面图'%i)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(img_bit_split[:,:,i-1], cmap='gray')

图像的加密和解密

通过按位异或运算可以实现图像的加密和解密
通过对原始图像与密钥图像进行按位异或，可以实现加密；将加密后的图像与密钥图像再次进行按位异或，可以实现解密
根据上述按位异或运算的规则，假设：
xor(a,b)=c
则可以得到：
xor(c,b)=a
xor(c,a)=b
根据上述规则：
a——->明文
b——->密钥
c——->密文

import cv2
import matplotlib.pyplot as plt
import numpy as np

img = cv2.imread('data/dog.jpg', 0)
w,h = img.shape
key_img = cv2.resize(cv2.imread('data/car.jpg', 0), (h,w))
# 图像加密
img2entr = cv2.bitwise_xor(img, key_img)
# 图像解密
entr2img = cv2.bitwise_xor(img2entr, key_img)
get_show(img, key_img, img2entr, entr2img)

数字水印

最低有效位信息隐藏指的是，将一个需要隐藏的二值图像信息嵌入载体图像的最低有效位，即将载体图像的最低有效位层替换位当前需要隐藏的二值图像，从而实现将二值图像隐藏的目的。由于二值图像处于载体图像的最低有效位上，所以对于载体图像的影响非常不明显，其具有较高的隐蔽性。
在必要时直接将载体图像的最低有效位层提取出来，即可得到嵌入在该位上的二值图像，达到提取秘密信息的目的。
这种信息隐藏也被称为数字水印，通过该方式可以实现信息隐藏、版权认证、身份认证等功能。例如，如果嵌入载体图像内的信息是版权信息，就能够实现版权认证；如果嵌入载体图像内的是身份信息，就可以实现数字签名，等等。所以，被嵌入载体图像内的信息也被称为数字水印信息。
数字水印信息可以是文本、视频、音频等多种形式，这里我们仅讨论数字水印信息是二值图像的情况。

案例：将猫的最高有效位嵌入到狗的最低有效位

import cv2

dog = cv2.imread('data/dog.jpg', 0)  # 读取原始载体图像
cat = cv2.imread('data/cat.jpg', 0)  # 读取水印图像
w,h = dog.shape
cat = cv2.resize(cat, (h,w))  # 进行形状同一处理

# 提取猫的最高有效位
bit_max = np.zeros((w,h), dtype=np.uint8)
bit_max[:,:] = 2**7  # 构建提取最高有效位的矩阵
cat_max_bit = cv2.bitwise_and(cat, bit_max)  # 提取出猫的最高有效位
ind = cat_max_bit==2**7
cat_max_bit[ind] = 1  # 将最高有效位处理为最大值为1
bit_min = np.ones((w,h), dtype=np.uint8)  # 构建提取最低有效位的矩阵
dog_min_bit = cv2.bitwise_and(dog, bit_min)  # 提取狗的最低有效位
dog_new = dog-dog_min_bit+cat_max_bit  # 进行相关操作

### 第二种方法
bit_tmp = np.zeros((w,h), dtype=np.uint8)
bit_tmp[:,:] = 254  # 构建提取后七位位平面的矩阵
dog_temp = cv2.bitwise_and(dog, bit_tmp)  # 采用按位与运算得到后七位位平面，第一个位平面全位0
dog_tem = cv2.bitwise_or(dog_temp, cat_max_bit)  # 采用按位或运算（因为上方操作已经将第一位位平面全置为了0）

1	get_show(dog,cat,cat_max_bit*255,dog_new)

# 提取过程
dog_new_min_bit = cv2.bitwise_and(dog_new,bit_min)  # 提取水印(新图形的第一位位平面)
dog_new_other_bit = cv2.bitwise_and(dog_new,bit_tmp)  # 提取后七位位平面
get_show(dog_new_min_bit*255,dog_new_other_bit)  # 展示水印

脸部打码及解码

import cv2
import numpy

# 脸部打码
dog = cv2.imread('data/dog.jpg', 0)
w, h = dog.shape
face_mask = np.zeros((w,h), dtype=np.uint8)
face_mask[200:300, 250:350]=1
entr_key = np.random.randint(0, 255, size=(w,h), dtype=np.uint8)  # 生成加密密钥
entr_dog = cv2.bitwise_xor(dog, entr_key)  # 加密
entr_face = cv2.bitwise_and(entr_dog,entr_dog, mask=face_mask)  # 根据mask提取加密图像的脸部信息
entr_no_face = cv2.bitwise_and(dog,dog,mask=1-face_mask)  # 根据mask提取原始图像的非脸部信息
entr_face_dog = entr_face+entr_no_face  # 将两个信息进行加和
get_show(dog,entr_dog,entr_no_face,entr_face_dog)

# 脸部解码
get_entr_face = cv2.bitwise_and(entr_face_dog, entr_face_dog, mask=face_mask)
get_face = cv2.bitwise_xor(get_entr_face, entr_key, mask=face_mask)
get_no_face = cv2.bitwise_and(entr_face_dog, entr_face_dog, mask=1-face_mask)
return_dog = get_no_face + get_face
get_show(entr_face_dog,get_entr_face,get_face,get_no_face,return_dog)

Ming-Log's Blog

opencv_3_图像运算

图像加法运算

加号运算符

cv2.add()函数

案例：分别使用加号运算符和函数cv2.add()计算两幅灰度图像的像素值之和。

图像加权和

cv2.addWeighted(src1, alpha, src2, beta, gamma)函数

案例1：使用数组演示函数cv2.addWeighted()的使用

案例2：使用函数cv2.addWeighted()对两幅图像进行加权混合，观察处理结果

按位逻辑运算

按位与运算

案例1：使用数组演示与掩膜图像的按位与运算

案例2：构造一个掩模图像，使用按位与运算保留图像中被掩膜指定的部分

按位或运算

按位非运算

按位异或运算

掩膜

图像与数值的运算

位平面分解

图像的加密和解密

数字水印

案例：将猫的最高有效位嵌入到狗的最低有效位

脸部打码及解码