[Python图像处理] 五.图像融合、图像加减法、图像逻辑运算及图像类型转换
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类、目标检测应用。
前一篇文章介绍Python调用OpenCV实现图像平滑，包括五种算法：均值滤波、方框滤波、高斯滤波、中值滤波和双边滤波。这篇文章将详细讲解图像融合、图像加减法、图像逻辑运算和类型转换。希望文章对您有所帮助，如果有不足之处，还请海涵~
一.图像融合
二.图像加法和减法运算
1.加法运算
2.减法运算
三.图像逻辑运算
1.与运算
2.或运算
3.异或运算
4.非运算
四.图像类型转换
该系列在github所有源代码：
https://github.com/eastmountyxz/
ImageProcessing-Python
前文回顾（下面的超链接可以点击喔）：
[Python图像处理] 二.OpenCV+Numpy库读取与修改像素
[Python图像处理] 五.图像融合、图像加减法、图像逻辑运算及图像类型转换
学Python近八年，认识了很多大佬和朋友，感恩。由于在外求学且需要养娃，故在CSDN设置成了最低价收费专栏，觉得不错的可以购买抬爱；但作者的本意是帮助更多初学者入门，因此在github开源了所有代码，也在公众号同步更新。深知自己很菜，得拼命努力前行，编程也没有什么捷径，干就对了。希望未来能更透彻学习和撰写文章，同时非常感谢参考文献中的大佬们的文章和分享，共勉。
- https://blog.csdn.net/eastmount
一.图像融合
图像融合通常是指将2张或2张以上的图像信息融合到1张图像上，融合的图像含有更多的信息，能够更方便人们观察或计算机处理。如下图所示，将两张不清晰的图像融合得到更清晰的图。
图像融合是在图像加法的基础上增加了系数和亮度调节量，它与图像的主要区别如下：
图像加法：目标图像 = 图像1 + 图像2
图像融合：目标图像 = 图像1 × 系数1 + 图像2 × 系数2 + 亮度调节量
在OpenCV中，图像融合主要调用addWeighted()函数实现，其原型如下。需要注意的是，两张融合图像的像素大小必须一致，参数gamma不能省略。
dst = cv2.addWeighted(scr1, alpha, src2,
beta, gamma)
dst = src1 * alpha + src2 * beta + gamma
下面的代码是将两张图片进行图像融合，两张图片的系数均为1。
#encoding:utf-8
# By: Eastmount CSDN 2021-01-26
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
src1 = cv2.imread('lena-hd.png')
src2 = cv2.imread('na.png')
#图像融合
result = cv2.addWeighted(src1, 1, src2, 1, 0)
#显示图像
cv2.imshow("src1", src1)
cv2.imshow("src2", src2)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果如图所示，它将src1图像和src2图像按比例系数进行了融合，生成目标结果图result。
同样可以设置不同的融合比例，比如函数设为cv2.addWeighted(src1, 0.6, src2, 0.8, 10)，则输出的结果如图所示。
如果想表白，可以试试这部分代码。
二.图像加法和减法运算
1.加法运算
(1) Numpy库加法
其运算方法是：目标图像 = 图像1 + 图像2，运算结果进行取模运算。
当像素值<=255时，结果为“图像1+图像2”，例如：120+48=168
当像素值>255时，结果为对255取模的结果，例如：(255+64) % 255 = 64
(2) OpenCV加法运算
另一种方法是直接调用OpenCV库实现图像加法运算，方法如下：
目标图像 = cv2.add(图像1, 图像2)
此时结果是饱和运算，即：
当像素值<=255时，结果为“图像1+图像2”，例如：120+48=168
当像素值>255时，结果为255，例如：(255+64) = 255
两种方法对应的代码如下所示：
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
img = cv2.imread('picture.bmp')
test = img
#方法一：Numpy加法运算
result1 = img + test
#方法二：OpenCV加法运算
result2 = cv2.add(img, test)
#显示图像
cv2.imshow("original", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果如下，其中result1为第一种方法，result2为第二种方法，白色点255更多。
注意：参与运算的图像大小和类型必须一致。下面是对彩色图像加法运算的结果。
下面的代码实现了图像加法运算。注意，如果相加值大于255，则输出图像的像素结果设置为255。
#coding:utf-8
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png")
#图像各像素加100
m = np.ones(img.shape, dtype="uint8")*100
#OpenCV加法运算
result = cv2.add(img, m)
#显示图像
cv2.imshow("original", img)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出如图所示，左边为原始图像，右边为像素值增加100像素后的图像，输出图像显示更偏白。
2.减法运算
图像减法运算主要调用subtract()函数实现，其原型如下所示：
dst = subtract(src1, src2[, dst[,
mask[, dtype]]])
– src1表示第一张图像的像素矩阵
– src2表示第二张图像的像素矩阵
实现代码详见如下：
#coding:utf-8
# By: Eastmount CSDN 2021-02-24
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png")
#图像各像素减50
m = np.ones(img.shape, dtype="uint8")*50
#OpenCV减法运算
result = cv2.subtract(img, m)
#显示图像
cv2.imshow("original", img)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出如图所示，左边为原始图像，右边为像素值减少50像素后的图像，输出图像显示更偏暗。
三.图像逻辑运算
1.与运算
与运算是计算机中一种基本的逻辑运算方式，符号表示为“&”，其运算规则为：0&0=0、0&1=0、1&0=0、1&1=1。图像的与运算是指两张图像（灰度图像或彩色图像均可）的每个像素值进行二进制“与”操作，实现图像裁剪。
dst = bitwise_and(src1, src2[, dst[, mask]])
– src1表示第一张图像的像素矩阵
– src2表示第二张图像的像素矩阵
– dst表示输出的图像，必须和输入图像具有相同的大小和通道数
– mask表示可选操作掩码（8位单通道数组），用于指定要更改的输出数组的元素
下面代码是通过图像与运算实现图像剪裁的功能。
#coding:utf-8
# By: Eastmount CSDN 2021-02-24
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png", cv2.IMREAD_GRAYSCALE)
#获取图像宽和高
rows, cols = img.shape[:2]
print(rows, cols)
#画圆形
circle = np.zeros((rows, cols), dtype="uint8")
cv2.circle(circle, (int(rows/2.0), int(cols/2)), 80, 255, -1)
print(circle.shape)
print(img.size, circle.size)
#OpenCV图像与运算
result = cv2.bitwise_and(img, circle)
#显示图像
cv2.imshow("original", img)
cv2.imshow("circle", circle)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出如图所示，原始图像与圆形进行与运算之后，提取了其中心轮廓。同时输出图像的形状为256×256，图像大小为65536个像素。注意，两张进行与运算的图像大小和类型必须一致。
2.或运算
逻辑或运算是指如果一个操作数或多个操作数为 true，则逻辑或运算符返回布尔值 true；只有全部操作数为false，结果才是 false。图像的或运算是指两张图像（灰度图像或彩色图像均可）的每个像素值进行二进制“或”操作，实现图像裁剪。其函数原型如下所示：
dst = bitwise_or(src1, src2[, dst[, mask]])
– src1表示第一张图像的像素矩阵
– src2表示第二张图像的像素矩阵
– dst表示输出的图像，必须和输入图像具有相同的大小和通道数
– mask表示可选操作掩码（8位单通道数组），用于指定要更改的输出数组的元素
下面代码是通过图像或运算实现图像剪裁的功能。
#coding:utf-8
# By: Eastmount CSDN 2021-02-24
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png", cv2.IMREAD_GRAYSCALE)
#获取图像宽和高
rows, cols = img.shape[:2]
print(rows, cols)
#画圆形
circle = np.zeros((rows, cols), dtype="uint8")
cv2.circle(circle, (int(rows/2), int(cols/2)), 80, 255, -1)
print(circle.shape)
print(img.size, circle.size)
#OpenCV图像或运算
result = cv2.bitwise_or(img, circle)
#显示图像
cv2.imshow("original", img)
cv2.imshow("circle", circle)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出如图所示，原始图像与圆形进行或运算之后，提取了图像除中心原形之外的像素值。
3.异或运算
逻辑异或运算（xor）是一个数学运算符，数学符号为“⊕”，计算机符号为“xor”，其运算法则为：如果a、b两个值不相同，则异或结果为1；如果a、b两个值相同，异或结果为0。图像的异或运算是指两张图像（灰度图像或彩色图像均可）的每个像素值进行二进制“异或”操作，实现图像裁剪。其函数原型如下所示：
dst = bitwise_xor(src1, src2[, dst[, mask]])
– src1表示第一张图像的像素矩阵
– src2表示第二张图像的像素矩阵
– dst表示输出的图像，必须和输入图像具有相同的大小和通道数
– mask表示可选操作掩码（8位单通道数组），用于指定要更改的输出数组的元素
图像异或运算的实现代码如下所示。
#coding:utf-8
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png", cv2.IMREAD_GRAYSCALE)
#获取图像宽和高
rows, cols = img.shape[:2]
print(rows, cols)
#画圆形
circle = np.zeros((rows, cols), dtype="uint8")
cv2.circle(circle, (int(rows/2), int(cols/2)), 80, 255, -1)
print(circle.shape)
print(img.size, circle.size)
#OpenCV图像异或运算
result = cv2.bitwise_xor(img, circle)
#显示图像
cv2.imshow("original", img)
cv2.imshow("circle", circle)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
原始图像与圆形进行异或运算之后输出如图所示。
4.图像非运算
图像非运算就是图像的像素反色处理，它将原始图像的黑色像素点转换为白色像素点，白色像素点则转换为黑色像素点，其函数原型如下：
dst = bitwise_not(src1, src2[, dst[, mask]])
– src1表示第一张图像的像素矩阵
– src2表示第二张图像的像素矩阵
– dst表示输出的图像，必须和输入图像具有相同的大小和通道数
– mask表示可选操作掩码（8位单通道数组），用于指定要更改的输出数组的元素
图像非运算的实现代码如下所示。
#coding:utf-8
import cv2
import numpy as np
#读取图片
img = cv2.imread("Lena.png", cv2.IMREAD_GRAYSCALE)
#OpenCV图像非运算
result = cv2.bitwise_not(img)
#显示图像
cv2.imshow("original", img)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
原始图像非运算之后输出如图所示。
四.图像类型转换
图像类型转换是指将一种类型转换为另一种类型，比如彩色图像转换为灰度图像、BGR图像转换为RGB图像。OPenCV提供了200多种不同类型之间的转换，其中最常用的包括3类，如下：
cv2.COLOR_BGR2GRAY
cv2.COLOR_BGR2RGB
cv2.COLOR_GRAY2BGR
代码如下所示：
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
src = cv2.imread('01.bmp')
#图像类型转换
result = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
#显示图像
cv2.imshow("src", src)
cv2.imshow("result", result)
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果如下图所示：
如果使用通道转化，则结果如下图所示：
result = cv2.cvtColor(src, cv2.COLOR_BGR2RGB)
五.总结
本文主要讲解Python和OpenCV的图像基础处理，具体内容包括：
一.图像融合
二.图像加法和减法运算
1.加法运算
2.减法运算三.图像逻辑运算
1.与运算
2.或运算
3.异或运算
4.图像非运算四.图像类型转换
源代码下载地址，记得帮忙点star和关注喔！
https://github.com/eastmountyxz/
ImageProcessing-Python
2020年8月18新开的“娜璋AI安全之家”，主要围绕Python大数据分析、网络空间安全、人工智能、Web渗透及攻防技术进行讲解，同时分享CCF、SCI、南核北核论文的算法实现。娜璋之家会更加系统，并重构作者的所有文章，从零讲解Python和安全，写了近十年文章，真心想把自己所学所感所做分享出来，还请各位多多指教，真诚邀请您的关注！谢谢。
(By:Eastmount 2021-02-24 夜于武汉 )
参考文献，在此感谢这些大佬，共勉！
[1] 冈萨雷斯. 数字图像处理（第3版）[M]. 电子工业出版社, 2013.
[2] 毛星云, 冷雪飞. OpenCV3编程入门[M]. 电子工业出版社, 2015.
[3] https://blog.csdn.net/Eastmount