numpy如何加法截断/饱和加运算

最新推荐文章于 2024-11-08 18:04:34 发布
原创 最新推荐文章于 2024-11-08 18:04:34 发布 · 742 阅读 · 0 ·
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：

#numpy #python #opencv

本文介绍了在使用numpy进行非饱和运算时的具体表现，如uint8类型的溢出取模现象，并对比了OpenCV中更为直观的加法运算方式，使结果更贴近实际场景。

使用numpy的+或者add 在溢出后会进行取模
例如unit8时，255+97=96
这就是非饱和运算
使用openCV的加法 可以使255+97=255
更符合我们的实际情况

图像处理——饱和度调整算法（python语言）
Benja_K的博客
08-15 1万+
饱和度调整算法说明（完整python代码在文末）： 本算法主要是利用HSL颜色空间进行饱和度S的上下限控制，对RGB空间进行补丁式调整。调整过程在RGB空间进行，其原理简单地说就是判断每个像素的R、G、B值是否大于或小于平均值，大于加上调整值，小于则减去调整值，如何计算各个像素点的调整系数是关键。本算法主体思想就是利用HSL来计算各点的调整系数。 算法过程如下： （参考优快云博客：http...
numpy.pad对数据进行填充和截断
Lomo的博客
05-09 972
def pad_and_cut(data, length): """填充或截断一维numpy到固定的长度""" # 将2维ndarray填充和截断到固定长度 n = len(data) for i in range(n): if len(data[i]) < length: # 进行填充 data[i] = np.pad(data[i], pad_width=(0,length-len(data[i])))
【NumPy】np.clip() 函数：对数组的值进行截断
彬彬侠的博客
11-08 2730
numpy.clip是NumPy中的一个函数，用于将数组中的元素限制在指定的范围内（即对数组的值进行截断）。超出范围的值会被替换为指定的上下限值。numpy.clip(a, a_min, a_max, out=None, *, where=True)
记一次 python 截取高低位（＞＞ 和 & 运算符）
热门推荐
沐一 · 林 的博客
02-07 1万+
记一次 python 截取高低位 . 首先我们要知道低字节和高字节：(左高右低) 在编程语言中，字符一般是占 16 位，8 位为一字节，所以有高位字节和低位字节。 . 一个16进制数有两个字节组成，例如：A9。 高字节就是指16进制数的前8位（权重高的8位），如上例中的A。 低字节就是指16进制数的后8位（权重低的8位），如上例中的9。 . 以两个个16进制数为例： 0x12，其中1是高字节，2是低字节；0x1234，其中1是高高字节，2是高字节，3是低字节，4是低低字节； . 运算举例： 内存中的大端小
python——numpy.ndarray将数据限定在某一范围截断
gy笨瓜的博客
12-03 9027
使用numpy.clip(…)根据指定的min和max值将数据限定在一定范围内截断，函数原型如下： numpy.clip(a, a_min, a_max, out=None, **kwargs) 【sample】 In [1]: import numpy as np In [2]: dat = np.array([i for i in range(-5, 6)]) In [3]: dat Out[3]: array([-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5])
Python的Numpy库的函数astype()在将大范围数据类型转换为小范围数据类型时并不是做饱和(saturate)操作(附实现饱和操作的方法)
昊虹AI笔记
06-15 1624
Python的Numpy库的函数astype()在将大范围数据类型转换为小范围数据类型时并不是做饱和(saturate)操作。 关于什么是饱和操作，可以参看博文：https://blog.youkuaiyun.com/wenhao_ir/article/details/125247806关于题目中的问题，举例说明如下： 运行结果如下： 如果做的是饱和操作，那么B的最后一个元素值该为255才对，而不应该为4。如果想做饱和操作，该怎么办呢？ 可以用成员函数where()变通实现饱和操作。 函数where()的原型如下：
Numpy截取指定范围内的数据方法
12-24
如下所示： lst = [[1,2,3,4,5,6], [7,8,9,10,11,12], [71,81,91,101,111,121]] arr = np.asarray(lst) print(arr[0:2, 0:4]) >>> [[ 1 2 3 4] [ 7 8 9 10]] 以上这篇Numpy截取指定范围内的数据方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。 您可能感兴趣的文章:对numpy中二进制格式的数据存储与读取方法详解对numpy数据写入文件的方法讲解Python进行数据提取的方
numpy部分常用函数
qq_39291784的博客
11-01 592
reshape() //转化数组维度 import numpy as np print("将一维数组转换为二维数组") arr = np.arange(8) print(arr.reshape((4, 2))) print(arr.reshape((4, 2)).reshape((2, 4)))[[0 1]  [2 3]  [4 5]  [6 7]] [[0 1 2 3]  [4 5 6
numpy数据类型不是截断操作
zhengxinjie2的博客
04-25 627
numpy 的数据类型在数据值超过相应的范围时不是进行截断的，例如用uint8,数值范围0-255，如果你的数据超过255，他不是直接取255，而是根据整体数据进行缩放，缩放到0-255之间的一个数， 而gdal中的数据类型是进行截断操作的，超过255的数值就会直接取255。 这里再用numpy归一化图像，计算，然后在拉伸到255时，显示的效果有时候不是你想要的结果，有可能的原因是，在拉伸的时候超...
饱和加法和非饱和加法
weixin_33701294的博客
03-08 1679
饱和加法：a+b=c，当计算结果大于c可表示的最大值或者小于c可表示的最小值时，计算结果取值为这个最大值或最小值。 非饱和加法：a+b=c，如果计算结果一出，则直接去掉一出位，剩下的就是结果。 如：reg[3:0] a, reg[3:0] b,reg[3:0] c, 若a=1100,b=1000,计算结果c,若对于饱和算法，则c的值为1111。若对于非饱和算法，则c...
14.1 Numpy的各种操作
water lover的博客
07-14 354
14.1 Numpy的各种操作
python数字图像处理（8）：对比度与亮度调整
weixin_34061482的博客
01-12 2855
图像亮度与对比度的调整，是放在skimage包的exposure模块里面 1、gamma调整 原理：I=Ig 对原图像的像素，进行幂运算，得到新的像素值。公式中的g就是gamma值。 如果gamma&gt;1, 新图像比原图像暗 如果gamma&lt;1,新图像比原图像亮 函数格式为：skimage.exposure.adjust_gamma(image, gamma=1) gamm...
python数据分析----matplotlib、numpy
wsndsb的博客
01-24 419
数据分析： 数据分析 基础概念和环境 matplotlib numpy pandas 第一部分综述 1、为什么学习数据分析 2、什么是数据分析 数据分析是用适当的方法对收集来的大量数据进行分析，帮助人们作出判断，以便采取适当行动。 数据分析的流程： 提出问题---->准备数据---->分析数据---->获得结论---->成果可视化 3、环境安装 4、认识jupyter notebook 第二部分 matplotlib 1、什么是matplotlib 1>能将数据进行可视化，
【opencv+python】图像处理之一、颜色空间RGB,Gray与HSV
weixin_30569001的博客
05-15 1991
该系列文章为 OpenCV+Python Tutorials的学习笔记 代码托管在Github 转载请注明: http://blog.youkuaiyun.com/a352611/article/details/51416769 [三记的博客] 颜色空间转换 cv2.cvtColor RGB就是指Red,Green和Blue,一副图像由这三个channel(通道...
饱和操作和模操作
weixin_30851867的博客
09-09 556
使用cv2.add()将两个图像相加，可以使用numpy中的矩阵加法来实现。但是在opencv中加法是饱和操作，也就是有上限值，numpy会对结果取模。综上，使用opencv的效果更好 x = np.uint8([250])y = np.uint8([10])print cv2.add(x,y) # 250+10 = 260 => 255print x+y # 250+10 =...
numpy总结40个
沐雨金鳞
08-08 642
# coding=utf-8 ''' numpy总结 ''' import numpy as np # 1、导入numpy作为np，并查看版本 print(np.__version__) # 2、创建从0到9的一维数字数组 arr = np.arange(10) print(arr) # 3、创建一个numpy数组元素值全为True（真）的数组 arr = np.full((3,3),...
【python中numpy数值溢出--numpy自动类型转换】
xu.hyj
04-07 1113
0、问题描述1、可视化原理2、解决办法 0、问题描述 在使用numpy将元素值范围为（0，2268）的矩阵（深度图）可视化时，发现其可视化结果不如人意，下图1是正常图（翻转了180°），下图2是不如人意的图（也翻转了180°），通过排查最终发现是数值溢出问题，造成某些值得丢失。 1、可视化原理 我们知道图像的像素值通常是0~255，所以要将元素值为0~2268范围的矩阵以图片方式展示，就要将0~2268范围按比例缩放到0~255 max_value=255 # int depth_min=depth.
Opencv之saturate_cast防止数据溢出
小木匠的博客
07-18 4458
在OpenCV学习中经常看见saturate_cast的使用，下面的代码会展示它的作用，这个功能实现的是两个图像融合，作者提供了saturate_case的作用，同时比较了两个方法的运行时间，后面会给出代码和结果。 也可以原文 http://blog.youkuaiyun.com/mjlsuccess/article/details/12401839 一、staturate_cast的原理 大致的原
saturate_cast(),Scalar()的用法,Mat创建数组
Pichairen
01-02 981
一、saturate_cast的用法  saturate_cast&lt;uchar&gt;(-1)返回0； saturate_cast&lt;uchar&gt;(256)返回255； saturate_cast&lt;uchar&gt;(1)返回1； saturate_cast()函数的作用相当与labview中的判定范围并强制转换，上界为255，下界为0. 二、 Scalar()...
图像加法运算
最新发布
03-16
### 图像加法运算的实现方法 在 OpenCV 中，`cv2.add()` 是一种常用的图像加法运算函数。该函数可以将两幅相同尺寸和类型的图像相加，并返回结果图像[^1]。 #### 函数定义 `cv2.add(src1, src2[, dst[, mask]]) → dst` - `src1`: 输入的第一张图像。 - `src2`: 输入的第二张图像。 - `dst`: 输出的结果图像，默认与输入图像具有相同的类型和尺寸。 - `mask`: 可选参数，指定操作区域的掩码。 以下是具体实现的一个例子： ```python import cv2 import numpy as np # 读取两张图像 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg') # 确保两张图像是相同尺寸 if img1.shape == img2.shape: # 使用 cv2.add 进行图像加法运算 result = cv2.add(img1, img2) # 显示结果图像 cv2.imshow('Result', result) cv2.waitKey(0) cv2.destroyAllWindows() else: print("Error: Images must have the same dimensions.") ``` 上述代码展示了如何加载两张图像并执行加法运算。需要注意的是，只有当两张图像具有相同的尺寸和通道数时，才能成功调用 `cv2.add()`。 --- #### 饱和运算 vs 模运算 值得注意的是，OpenCV 的加法运算是基于 **饱和运算** (saturated operation)，这意味着像素值不会超过数据类型的上限（例如对于 uint8 类型，最大值为 255）。如果计算结果超出范围，则会截断到边界值。相比之下，Numpy 的加法则采用 **模运算** (modulo operation)，即溢出部分会被重新映射回有效范围内[^2]。 以下是对两种方式的对比示例： ```python import cv2 import numpy as np # 创建两个简单的数组 a = np.array([200], dtype=np.uint8) b = np.array([100], dtype=np.uint8) # OpenCV 加法 opencv_add = cv2.add(a, b) # 结果为 [255] # Numpy 加法 numpy_add = a + b # 结果为 [(200+100)%256=44] print(f"OpenCV Add Result: {opencv_add}") print(f"Numpy Add Result: {numpy_add}") ``` 通过运行此代码可以看出两者之间的差异。 --- #### 图像融合（加权加法） 除了基本的加法运算外，还可以使用 `cv2.addWeighted()` 来实现图像的线性组合或称为“图像融合”。其公式如下所示： \[ \text{result} = (\alpha \times \text{img1}) + (\beta \times \text{img2}) + \gamma \] 其中： - `\(\alpha\)` 和 `\(\beta\)` 是权重系数； - `\(\gamma\)` 是偏移量。 下面是具体的实现代码： ```python import cv2 import numpy as np # 读取两张图像 img1 = cv2.imread('moon.jpg') img2 = cv2.imread('sspu.png') # 调整图像大小使其一致 resized_img1 = cv2.resize(img1, (img2.shape[1], img2.shape[0])) # 应用加权加法 blended_image = cv2.addWeighted(resized_img1, 0.7, img2, 0.3, 0) # 展示结果 cv2.imshow('Blended Image', blended_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在此代码中，调整了图像大小以匹配维度，并设置了不同的权重来控制每张图像对最终结果的影响程度[^5]。 ---
评论 1
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