opencv007 图像运算——加减乘除

今天学习图像处理的基础------加减乘除,总体来说比较好理解,不过生成的图片千奇百怪哈哈哈哈

opencv中图像的运算本质是矩阵的运算

加法

做加法之前要求两张图片形状,长宽,通道数完全一致

python 复制代码
cv2.add(img1, img2)

add的规则是两个图对应的元素相加,如果超过255,全部变成255

add还可以和单个数字运算

例如每个和100进行加法运算,超出255的数字,会被截断,相当于%256(0到255是256个数字)

进行加法运算后,图片的颜色改变了

python 复制代码
# 加法
import cv2
import numpy as np
img1 = cv2.imread("F:\est01\strong.jpg", 1)
img2 = cv2.imread("F:\est01\_202401small02210038.jpg", 1)
print(img1.shape)
print(img2.shape)
addimg = cv2.add(img1, img2)
cv2.imshow('addimg', addimg)
img3 = cv2.imread("F:\est01\savedele02.jpg", 1)
addimg2 = cv2.add(img3, 200)
cv2.imshow('add200', addimg2)
cv2.waitKey(0)
cv2.destroyAllWindows()

减法

与加法相似,减完之后小于0,变为0


当代大学生期末复习状态哈哈哈哈

python 复制代码
# 减法
import cv2
import numpy as np
img1 = cv2.imread("F:\est01\strong.jpg", 1)
img2 = cv2.imread("F:\est01\_202401small02210038.jpg", 1)
print(img1.shape)
print(img2.shape)
addimg = cv2.subtract(img1, img2)
cv2.imshow('subimg', addimg)
img3 = cv2.imread("F:\est01\savedele02.jpg", 1)
addimg2 = cv2.subtract(img3, 200)
cv2.imshow('sub200', addimg2)
saveadd = "F:\est01\savedele03.jpg"
cv2.imwrite(saveadd, addimg2)
cv2.waitKey(0)
cv2.destroyAllWindows()

乘法

和加法相似,不过更容易超过255,所以几乎全白了

python 复制代码
cv2.multiply(img1, img2)

除法

除法几乎全黑了

python 复制代码
cv2.divide(img1,img2)

应用

应用上来讲,乘除和减法应用较少,因为做出来的图片实在算不上好看哈哈哈

加法常用来做图片的叠加

相关推荐
计算机毕业编程指导师2 分钟前
2027计算机毕设选题指南:网站AI化、大数据预测+算法(XGBoost/LightGBM)、深度学习三方向57题+选题方法论
大数据·python·计算机·毕业设计·课程设计·毕设选题·1024程序员节
李航19835 分钟前
DeepSeek AI建模(二)让AI建第一个模型
人工智能·python·计算机视觉·ai·ai编程
二宝哥8 分钟前
03.Spring AI Embedding 实战:从向量化原理到项目落地
人工智能·spring boot·向量·spring ai
涛声依旧-底层原理研究所10 分钟前
Agent 沙箱实现原理:拆解 DeepSeek Harness 的三层沙箱架构与三平台后端
人工智能·架构
推送者11 分钟前
大将怪兽桌宠教程:从一张正脸照到本地透明桌宠的工程化路线
人工智能·大将怪兽桌宠教程
shennv88815 分钟前
2026年国内如何开通ChatGPT Plus和Pro?订阅方式、Codex额度及常见问题整理
人工智能·chatgpt
u13013018 分钟前
GitHub 热榜项目:日榜(2026-10-25)
人工智能·github
机器学习之心21 分钟前
电池SOH估计和RUL预测,五个时间特征 + 基于GPR高斯过程回归的锂电池健康状态估计和剩余寿命预测
人工智能·数据挖掘·回归·锂电池健康状态估计·剩余寿命预测
代码方舟23 分钟前
零信任架构实战:基于天远企业二要素验证构建自动化小微快贷法人资质核验网关
运维·人工智能·架构·自动化
tellmewhoisi26 分钟前
深度学习13:反向传播4:输出层Softmax-with-Loss
人工智能·深度学习