opencv 学习: 10 图像的简单运算

原创 已于 2025-11-25 20:14:58 修改 · 652 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#opencv #c++

于 2025-11-25 20:13:46 首次发布

图片可以进行组合计算，因为图片可以被看作是矩阵；矩阵可以进行加减乘除的四则运算。

1.加法计算，以叠加两张图片为例

在向图片添加一些效果，或者叠加一些信息时，可以将两张图片叠加。

可以调用 cv::add 或者 cv::addWeighted 方法将两张图片叠加，后者拥有权重参数，来决定两张图片叠加时，各自的权重

cv::add(image1, image2, result);
cv::addWeighted(image1, 0.5, image2, 0.5, 0. , result);

这些算数计算方法，默认内部都使用了 cv::saturate_cast 方法来确保计算结果的像素值，处于合法值域范围内。

可以将输入的图片之一，作为结果参数。可以避免 result 做一次内存分配。

示例代码：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <chrono>

int main(int argc, char *argv[])
{

    // 检查命令行参数

    if (argc != 4)
    {
        std::cerr << "Usage: " << argv[0] << " <input_image1> <input_image2> <output_image>" << std::endl;
        return -1;
    }

    // 读取输入图像和logo图像
    cv::Mat input_image1 = cv::imread(argv[1]);

    // 检查输入图像和logo图像是否成功读取
    if (input_image1.empty())
    {
        std::cerr << "Error: Could not open or find input image" << std::endl;
    }

    // 读取输入图像和logo图像
    cv::Mat input_image2 = cv::imread(argv[2]);

    // 检查输入图像和logo图像是否成功读取
    if (input_image2.empty())
    {
        std::cerr << "Error: Could not open or find input image" << std::endl;
    }

    cv::namedWindow("input_image1", cv::WINDOW_NORMAL);
    cv::imshow("input_image1", input_image1);
    cv::namedWindow("input_image2", cv::WINDOW_NORMAL);
    cv::imshow("input_image2", input_image2);
    cv::waitKey(0);

    cv::Mat result;
    const int64 start = cv::getTickCount();
    //注意，需要图片尺寸格式一只，也就是行列数，通道数一致。

#if 0 //[1]
    //result[i] = input_image1[i] + input_image2[i]
    //cv::add(input_image1, input_image2, result);
#endif

#if 0 //[2]
    //result[i] = input_image1[i] * 0.5 + input_image2[i] * 0.5 + 0
    cv::addWeighted(input_image1, 0.5, input_image2, 0.5, 0, result);
#endif

#if 0 //[3]
    //result[i] = input_image1[i] + 50
    cv::add(input_image1, cv::Scalar(50), result);
#endif

#if 0 //[4]
    //result[i] = input_image1[i] * 0.5 + input_image2[i]
    cv::scaleAdd(input_image1, 0.5, input_image2, result);
#endif

#if 0 //[5.1]
    //mask-8位单通道数组，指定要更改的输出数组的元素
    cv::Mat mask = cv::Mat::zeros(input_image1.size(), CV_8UC1);
    //上半截参与计算
    mask(cv::Rect(0, 0, mask.cols, mask.rows / 2)).setTo(cv::Scalar(255));
    //if(mask[i] != 0) result[i] = input_image1[i] + input_image2[i]
    cv::add(input_image1, input_image2, result, mask);
#endif


#if 1 //[5.2]
    //mask-8位单通道数组，指定要更改的输出数组的元素
    cv::Mat mask = cv::Mat::zeros(input_image1.size(), CV_8UC1);
    //中部1/3参与计算
    mask(cv::Rect(0, mask.rows / 3, mask.cols, mask.rows / 3)).setTo(cv::Scalar(255));
    //使用图片二作为背景 ,这里 result是引用的input_image2
    result = input_image2;
    //if(mask[i] != 0) result[i] = input_image1[i] + input_image2[i]
    cv::add(input_image1, input_image2, result, mask);
#endif
 
    const int64 end = cv::getTickCount();
    std::cout << "sharpen used time: " << (end - start) / cv::getTickFrequency() << "s" << std::endl;

    cv::imwrite(argv[3], result);
    cv::namedWindow("result", cv::WINDOW_NORMAL);
    cv::imshow("result", result);
    cv::waitKey(0);

    return 0;
}

准备两张图片，进行叠加结果如下：

[2] addWeighted
在这里插入图片描述

注意，需要图片尺寸格式一只，也就是行列数，通道数一致。

否则，会报异常：

terminate called after throwing an instance of ‘cv::Exception’
what(): OpenCV(4.12.0) /mnt/c/mine/largescalecppv1/image_processing/opencv-4.12.0/modules/core/src/arithm.cpp:662: error: (-209:Sizes of input arguments do not match) The operation is neither ‘array op array’ (where arrays have the same size and the same number of channels), nor ‘array op scalar’, nor ‘scalar op array’ in function ‘arithm_op’

Aborted (core dumped)

[5.1] add 使用mask， 只计算上半截
在这里插入图片描述

[5.2] add 使用mask， 只计算中间2/3截，并且将 image2作为结果图片。
在这里插入图片描述

2.其它计算方法

OpenCV提供大量的计算方法。

cv::subtract
cv::absdiff
cv::multiply
cv::divide

Bitwise operators
cv::bitwise_and
cv::bitwise_or
cv::bitwise_xor
cv::bitwise_not

cv::min
cv::max

cv::sqrt
cv::pow
cv::abs
cv::exp
cv::log

示例代码：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <chrono>

//图片相减，特别示例mask用法
void subtract_demo(const cv::Mat &input_image1, const cv::Mat &input_image2, cv::Mat &result)
{
    //mask-8位单通道数组，指定要更改的输出数组的元素
    cv::Mat mask = cv::Mat::zeros(input_image1.size(), CV_8UC1);
    //中部1/3参与计算
    mask(cv::Rect(0, mask.rows / 3, mask.cols, mask.rows / 3)).setTo(cv::Scalar(255));
    //使用图片二作为背景
    result = input_image2;

    //if(mask[i] != 0) result[i] = input_image1[i] + input_image2[i]
    cv::subtract(input_image1, input_image2, result, mask);
}

//计算两个图片之间各个像素的绝对差值
//实质是，计算两个数组之间或数组与标量之间的每个元素的绝对差。
void absdiff_demo(const cv::Mat &input_image1, const cv::Mat &input_image2, cv::Mat &result)
{
    cv::absdiff(input_image1, input_image2, result);
}

//计算两个数组的按元素缩放的乘积。
void multiply_demo(const cv::Mat &input_image1, const cv::Mat &input_image2, cv::Mat &result)
{
    //缩放因子 0.01 不然会溢出，全 255， 全白了
    cv::multiply(input_image1, input_image2, result);
    cv::multiply(input_image1, input_image2, result, 0.01);
}
/*
  
  
    cv::divide

    //Bitwise operators
    cv::bitwise_and
    cv::bitwise_or
    cv::bitwise_xor
    cv::bitwise_not

    cv::min
    cv::max

    cv::sqrt
    cv::pow
    cv::abs
    cv::exp
    cv::log
*/
int main(int argc, char *argv[])
{

    // 检查命令行参数

    if (argc != 4)
    {
        std::cerr << "Usage: " << argv[0] << " <input_image1> <input_image2> <output_image>" << std::endl;
        return -1;
    }

    // 读取输入图像和logo图像
    cv::Mat input_image1 = cv::imread(argv[1]);

    // 检查输入图像和logo图像是否成功读取
    if (input_image1.empty())
    {
        std::cerr << "Error: Could not open or find input image" << std::endl;
    }

    // 读取输入图像和logo图像
    cv::Mat input_image2 = cv::imread(argv[2]);

    // 检查输入图像和logo图像是否成功读取
    if (input_image2.empty())
    {
        std::cerr << "Error: Could not open or find input image" << std::endl;
    }

    cv::namedWindow("input_image1", cv::WINDOW_NORMAL);
    cv::imshow("input_image1", input_image1);
    cv::namedWindow("input_image2", cv::WINDOW_NORMAL);
    cv::imshow("input_image2", input_image2);
    cv::waitKey(0);

    cv::Mat result;
    const int64 start = cv::getTickCount();
    //注意，需要图片尺寸格式一只，也就是行列数，通道数一致。

    //subtract_demo(input_image1,input_image2,result);
    //absdiff_demo(input_image1,input_image2,result);
    multiply_demo(input_image1,input_image2,result);
  
    const int64 end = cv::getTickCount();
    std::cout << "sharpen used time: " << (end - start) / cv::getTickFrequency() << "s" << std::endl;

    cv::imwrite(argv[3], result);
    cv::namedWindow("result", cv::WINDOW_NORMAL);
    cv::imshow("result", result);
    cv::waitKey(0);

    return 0;
}

subtract_demo 结果：

高亮像素值减暗像素值，会更多的保留原始颜色。

暗像素值减比它更亮的值，会变成负数，然后被归为 0 ，也就是还是暗的。

颜色像素值接近，减完会变成暗色。

在这里插入图片描述

absdiff_demo 结果：

计算每个像素间的绝对差值。

也就是两个图片像素的颜色值越相近，结果就越暗。

越亮，或者最终结果保留了亮部的结果的，就是这个像素值位置，是一明一暗的状态，最终计算绝对差值，更接近亮值，所以亮值的信息存留了下来。

中部的天空。最右侧的绿色骆驼。

中部的天空和太阳都处于两张图片的亮部，颜色亮度上差值较小，所以最终看起来更黑。

在这里插入图片描述

multiply_demo 结果

每个像素相乘，亮的更亮，暗的，特别是黑色的部分就是黑洞，乘完还是零，所以保留了黑色。

最后的结果还挺好玩的。

在这里插入图片描述

OpenCV教程：cv2图像逻辑运算
我的Python教程
07-15 815
以下是使用cv2.bitwise_and(), cv2.bitwise_or(), cv2.bitwise_xor(), 和 cv2.bitwise_not()函数的示例。1.cv2.bitwise_and()：此函数执行两个图像的按位AND运算，结果只保留两个输入图像中都存在的像素信息。3.cv2.bitwise_xor()：此函数执行两个图像的按位XOR运算，结果保留两个输入图像中互斥的像素信息。-------------OpenCV教程集合-------------
OpenCV实战：从图像处理到深度学习的全面指南
2401_85325519的博客
07-19 1943
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它由一系列的C函数和少量C++类构成，同时提供Python、Java和MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。# 导入OpenCV库 import cv2 # 打印OpenCV版本 print(cv2 . __version__)4.5 .2OpenCV的设计目标是提供一套简单而且可扩展的计算机视觉库，使得它能够方便地在实际的应用、研究、开发中被使用。
OpenCV（3）：图像算术运算
游王子og的博客
02-19 1172
在图像处理中，算术运算和位运算是非常基础且重要的操作。本文将详细介绍如何使用 OpenCV 进行图像的加法、减法、乘法、除法、位运算以及图像混合操作。
OpenCV 图像运算全解析：加法、位运算（与、异或）在图像处理中的奇妙应用
qq_54414907的博客
11-22 1577
详细介绍了图像加法，包括使用 cv2.add 实现普通加法以及 cv2.addWeighted 进行加权和运算，并以实例展示操作过程。同时深入剖析位运算，阐述按位与运算在掩膜提取和位平面分解方面的应用，如用于图像修复、医学图像诊断辅助等；讲解按位异或运算原理及其在图像加密和解密中的独特作用，通过具体代码示例展示如何利用异或实现图像加密与还原，为读者全面掌握 OpenCV 图像运算技巧提供详实指南。
【OpenCV】OpenCV指南：图像处理基础及实例演示
qq_35485206的博客
10-21 9678
OpenCV 是一个功能强大且易于使用的库，广泛应用于图像处理和计算机视觉领域。从读取和显示图像，到颜色空间转换、图像缩放、翻转、边缘检测、高斯模糊、形态学操作以及图像平滑和绘制，本文详细介绍了 OpenCV 的基础使用方法，附带了丰富的代码示例，帮助读者更直观地理解和应用。 1. 什么是OpenCV？ OpenCV(Op...
在VS的winform中基于C#和OPenCV实现基于python的yolo模型深度学习的使用与训练
weixin_52070859的博客
12-09 332
本文提出了一种基于WinForm(C#)与Python混合开发的YOLO目标检测系统解决方案。系统采用前后端分离架构：C#负责前端界面交互和图像显示，Python负责YOLO模型的ONNX推理和训练任务。关键技术点包括：1)通过进程调用和JSON数据格式实现跨语言通信；2)Python端实现YOLOv8的ONNX推理和训练功能；3)C#端完成图像处理、结果可视化及训练监控界面。系统支持模型推理、训练及ONNX模型导出功能，并提供了路径处理、性能优化等实用调试技巧。该方案有效解决了Pythonnet环境冲突问
Opencv(十八) : 图像凸包检测
Mrliu__的博客
12-05 708
机器视觉中凸包检测
OPENCV(python)--初学之路（十五）Shi-Tomasi 角点检测和追踪的良好特征和SIFT简介
WGK1005的博客
12-09 827
本文介绍了两种图像特征检测算法：Shi-Tomasi角点检测和SIFT特征提取。首先详细讲解了Shi-Tomasi算法的原理及其OpenCV实现(cv.goodFeaturesToTrack)，通过实例演示了角点检测过程。随后重点阐述了SIFT算法的四个关键步骤：尺度空间极值检测、特征点定位、方向指定和描述子生成，分析了其尺度不变性原理。文章提供了完整的Python代码示例，展示了如何使用OpenCV实现这两种算法。最后作者分享了学习心得，鼓励读者关注其视觉学习系列内容。全文技术性强，涵盖了从基础角点检测到
OPENCV(python)--初学之路（十一）
WGK1005的博客
12-04 1120
本文介绍了模板匹配技术在图像处理中的应用。作者通过OpenCV的cv.matchTemplate()函数演示了6种匹配方法，并提供了完整的代码实现，包括单对象和多对象匹配案例。文章指出当前方法的局限性，建议后续使用YOLO等更先进的算法改进效果。作者还分享了个人学习规划的调整，建议读者定期复盘学习方向。最后以加缪的名句作结，鼓励读者在寒冬中保持学习热情。全文包含详细的技术讲解、完整代码示例和实用建议，适合计算机视觉初学者参考。
使用OpenCvSharp的DNN模块加载YOLOv11的ONNX模型，涉及将模型文件路径传递给DNN模块的相关函数。
weixin_52070859的博客
12-09 479
未检测到CUDA设备。
OpenCV 学习4 - 裁剪图像
木梓油
12-05 275
摘要：本文介绍了使用OpenCV进行图像裁剪的方法，基于NumPy数组切片操作实现。主要内容包括：1）图像裁剪坐标说明和基本语法；2）代码示例演示如何显示和保存裁剪区域；3）九宫格绘制方法，通过计算图像分块坐标并绘制矩形框实现。所有示例均包含完整的Python代码实现，涵盖了图像读取、处理、显示和保存的全流程操作。
OpenCV(四十)：Shi-Tomasi角点检测
最新发布
www_dong的博客
12-09 788
Shi-Tomasi 是 Harris 的改进，使用最小特征值作为角点响应，避免了 k 参数，稳定性更好。对角点跟踪（如 LK 光流）效果优异，计算量小，适合实时视频应用。不具备尺度不变性，需要搭配描述子实现匹配。OpenCV 提供，使用简单，可在图像和视频中快速检测角点。通过调整maxCorners和blockSize参数，可以根据应用场景得到稀疏或密集、精确或鲁棒的角点检测效果。
OPENCV(python)--初学之路（十四）哈里斯角检测
WGK1005的博客
12-08 1119
本文介绍了计算机视觉中的特征检测技术，重点讲解了Harris角点检测算法及其应用。文章通过拼图游戏的类比，解释了特征检测的基本原理：寻找图像中具有显著变化的区域（角点）。详细说明了OpenCV中cv.cornerHarris()函数的使用方法和参数设置，并分析了该算法的优势（计算效率高、实现简单）和局限性（对纹理单一或模糊图像效果不佳）。此外，还介绍了更高精度的亚像素级角点检测方法cv.cornerSubPix()，通过代码示例展示了两种方法在不同图像上的检测效果对比。文章最后强调这些基础算法在计算机视觉任
OpenCV(三十九)：Harris角点检测
www_dong的博客
12-09 259
Harris 角点检测是一种经典而高效的局部特征检测方法，尽管它缺乏尺度不变性，但仍然广泛应用于棋盘格标定、目标跟踪、图像配准等任务中。
OpenCV 学习5-你知道图像旋转的原理吗？
木梓油
12-09 951
本文介绍了图像旋转的数学原理及OpenCV实现方法。首先阐述了二维坐标系中点的旋转变换公式，并指出直接应用会导致图像绕左上角旋转的问题。正确的做法是采用"平移-旋转-平移回"三步法实现以图像中心为轴的旋转。文章详细推导了仿射变换矩阵的计算过程，并提供了OpenCV中的关键函数说明：getRotationMatrix2D()用于生成变换矩阵，warpAffine()执行变换。最后给出Python代码示例，演示了45度旋转的实现方法，同时讨论了避免图像裁剪和修改背景色等常见问题解决方案。
【50】OpenCV背景减法技术解析与实现
Try_再努力一点
12-04 775
本文介绍OpenCV中背景减法核心技术，它通过静态相机生成运动物体的二值前景掩模，是视频目标检测的关键预处理手段。文中涵盖KNN、MOG等四种算法，解析其流程逻辑，并结合C++ Demo演示实际效果。
OpenCV(三十七)：外接矩形
www_dong的博客
12-07 380
快速、简单，但不考虑旋转使用旋转卡尺得到真正意义上的最小外接矩形，是多数精确几何问题首选选择方法需根据对象形状和业务场景决定旋转矩形角度处理要特别注意通过透视变换可获得真实旋转区域的裁剪图像。
直方图与模板匹配
weixin_52297290的博客
12-09 642
import cv2 #opencv读取的格式是BGRimport matplotlib.pyplot as plt#Matplotlib是RGB。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值