小强学Python+OpenCV之－1.4.3图像(矩阵)加减运算

内容简介：小强学Python+OpenCV之－1.4.3图像(矩阵)加减运算

引入

问题引入，考虑以下几个问题： Q1. 一个3通道像素p的BGR分量（8bit表示）值均相同，那么这个像素是什么颜色的？ Q2. 该像素p加上自己，即，像素p的各个通道值翻倍，那么这个像素的颜色会变成什么样？

加法

假设p的BGR值均为100，即p(100, 100, 100)。那么，我们生成一幅100*100大小的3通道图像，其中每个像素均与p相同。

# 导入库 import numpy as np import cv2  # 构造图像，shape为(100, 100, 3) ，每个像素值均为(100, 100, 100) gray = np.ones((100, 100, 3), dtype=np.uint8) * 100  # 显示图像 cv2.imshow("Gray", gray)  cv2.waitKey(0)

执行脚本

没错，是一幅灰度图像。我们可以继续尝试，加入如下代码。

# 构造一幅(50, 256, 3) 灰度条 # 灰度条第一列像素 bar = np.ones((50,1,3), dtype=np.uint8) * 0  # 迭代生成其它列 for i in np.arange(1, 256 ):     col = np.ones((50, 1, 3), dtype=np.uint8) * i     # 数组连接，沿轴1方向（沿高度方向？）     bar = np.concatenate((bar, col), axis = 1)  cv2.imshow("Bar", bar)

执行脚本。

这和我们的单通道灰度图像是一致的。也就是说， A1. 三通道图像的每个通道值（强度）相同时，合成的是灰度图像。

那么，如果将上面的图像gray的每个像素值加上(100, 100, 100)会怎样呢?

# 构造图像，shape为(100, 100, 3) ，每个像素值均为(100, 100, 100) M = np.ones((100, 100, 3), dtype=np.uint8) * 100  # 第一次，对每个像素加上(100, 100, 100) gray = gray + M  # 显示图像 cv2.imshow("Gray1", gray)  # 第二次，对每个像素加上(100, 100, 100) gray = gray + M  # 显示图像 cv2.imshow("Gray2", gray)  cv2.waitKey(0)

执行脚本。

Gray1在Gray的基础上强度增强了，这是可以理解的，因为，每个像素的强度都增加了(100,100,100)。那么，为什么Gray2怎么会比其它两幅都要暗（强度低）呢？

这是因为： A2. numpy在做加法运算时，会根据dtype对数据进行“取模”运算。也就是说会产生数据的翻转现象。

而OpenCV在做加法时，会根据数据类型的范围进行限制。比如这里的图像通道数据类型是uint8类型的。那么OpenCV限制通道值最大为255，最小为0.而不会像numpy产生200+100＝44的现象。

减法

numpy同加法。OpenCV限制通道值下限为0.

例子

# 导入库 import numpy as np import argparse import cv2  # 构造参数解析器 ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="Path to the image") args = vars(ap.parse_args())  # 加载图像并显示 image = cv2.imread(args["image"]) cv2.imshow("Original", image)  # 构造与原图形状相同，各通道值为100的图像 M = np.ones(image.shape, dtype = "uint8") * 100  # 与原图像相加并显示 added = cv2.add(image, M) cv2.imshow("Added", added)  # 构造与原图形状相同，各通道值为50的图像 M = np.ones(image.shape, dtype = "uint8") * 50  # 在原图基础上减去该图像，并显示 subtracted = cv2.subtract(image, M) cv2.imshow("Subtracted", subtracted) cv2.waitKey(0)

执行脚本

参考

矩阵加减法

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

• Spark 中如何使用矩阵运算间接实现 i2i
• 机器学习 | SVD矩阵分解算法，对矩阵做拆分，然后呢？
• golang 算法-矩阵
• 彻底理解矩阵乘法
• [开源项目]矩阵数据的意义
• iphone – ：CGAffineTransformInvert：奇异矩阵

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。