python学opencv|读取图像(四十六)使用cv2.bitwise_or()函数实现图像按位或运算

【0】基础定义

按位与运算:全1取1,其余取0。按位或运算:全0取0,其余取1。

【1】引言

前序学习进程中,已经对图像按位与计算进行了详细探究,相关文章链接如下:

python学opencv|读取图像(四十三)使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

python学opencv|读取图像(四十四)原理探究:bitwise_and()函数实现图像按位与运算-CSDN博客

python学opencv|读取图像(四十五)增加掩模:使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

图像的按位与运算,是将各个像素点的BGR值先由十进制转二进制,在二进制环境下进行按位与运算后,再转回十进制的过程。

当三个图像进行按位与运算时,先前两个图像按位与运算,再将按位与运算结果和第三个图像执行按位与运算。

在此基础上,本次文章进一步探究图像的按位或运算。

在按位与运算的学习基础上,不妨大胆猜测图像的按位或运算工作原理:将各个像素点的BGR值先由十进制转二进制,在二进制环境下进行按位或运算后,再转回十进制。

【2】官网教程

点击下方链接,直达按位或运算的官网教程:

OpenCV: Operations on arrays

官网对按位或运算函数cv2.bitwise_or()的解释为:

++图1++

在这里,对应的参数意义为:

具体的,参数意义为:

void cv::bitwise_or ( InputArray src1, #第一个图像

InputArray src2, #第二个图像

OutputArray dst, #输出图像

InputArray mask = noArray() ) #掩模,单通道数据,可选参数

按位或运算要求数据的大小一致,对于三通道图像,会逐个通道进行按位或运算。

按位或运算的mask掩模参数也要求是单通道的二维矩阵。

【3】代码测试

由于前述对bitwise_and()函数的探究已经足够详细,所以可以直接借用先前代码的大部分内容,稍加修改就能获得bitwise_or()函数的完整代码:

python 复制代码
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块

# 读取图片-直接转化灰度图
src = cv.imread('srcx.png') #读取图像
dst=src #输出图像
gray_src=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #转化为灰度图
dstg=gray_src #输出图像
print('初始图像像素大小为',src.shape)
print('初始图像灰度图像素大小为',gray_src.shape)

# 定义第二个图像
image = np.zeros(src.shape, np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
print('初始图像像素大小为',src.shape)
image[50:350, :, :] = 180  # 行掩模
image[:,120:200,: ] = 255  # 列掩模
image[:, :, 1] = 180  # 第二个通道值

#定义掩模矩阵
mask = np.zeros((gray_src.shape), np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
mask[280:350, :] = 155  # 水平区域
mask[:,150:350] = 100  # 竖直区域

#按位与运算
img=cv.bitwise_or(src,image) #与运算
img2=cv.bitwise_or(src,image,mask=mask) #与运算

#显示BGR值
print("dst像素数为[300,180]位置处的BGR=", dst[300,180])  # 获取像素数为[100,100]位置处的BGR
print("image像素数为[300,180]位置处的BGR=", image[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img像素数为[300,180]位置处的BGR=", img[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img2像素数为[300,180]位置处的BGR=", img2[300,180])  # 获取像素数为[100,100]位置处的BGR

a=np.zeros((1,3),np.uint8) #定义矩阵
a=dst[300,180] #将像素点BGR直接赋值给矩阵
b=np.zeros((1,3),np.uint8) #定义矩阵
b=image[300,180] #将像素点BGR直接赋值给矩阵
c=np.zeros((1,3),np.uint8) #定义矩阵
d=np.zeros((1,3),np.uint8) #定义矩阵
d=image[300,180] #将像素点BGR直接赋值给矩阵
e=np.zeros((1,3),np.uint8) #定义矩阵

#二进制按位与计算e
for i in range(3): #计数
    print('a','[0,',i,']=',a[i],'的二进制转化值=', bin(a[i]), ',b=','[0,',i,']=', b[i],'的二进制转化值=',bin(b[i])) #输出二进制转化值
    c[0,i]=np.bitwise_and(a[i],b[i]) #赋值按位与计算值
    print('c',[0,i],'=',c[0,i]) #输出按位与计算值
    print('c','[0,',i,']=',[0,i],'的二进制转化值=', bin(c[0,i]), ',d=','[0,',i,']=', d[i],'的二进制转化值=',bin(d[i])) #输出二进制转化值
    e[0,i]=np.bitwise_and(c[0,i],d[i]) #赋值按位与计算值
    print('e',[0,i],'=',e[0,i]) #输出按位与计算值

#输出矩阵结果
print('a=',a) #输出矩阵
print('b=',b) #输出矩阵
print('c=',c) #输出矩阵
print('d=',d) #输出矩阵
print('e=',e) #输出矩阵

#合并图像
himg=np.hstack((src,img))
himg2=np.hstack((src,img2))
himg3=np.hstack((img,img2))
# 显示和保存定义的图像
cv.imshow('dst', dst)  # 显示图像
cv.imshow('or-img', img)  # 显示图像
cv.imwrite('or-img.png', img)  # 保存图像
cv.imshow('or-img2', img2)  # 显示图像
cv.imwrite('or-img2.png', img2)  # 保存图像
cv.imshow('or-image', image)  # 显示图像
cv.imwrite('or-image.png', image)  # 保存图像
cv.imshow('or-mask', mask)  # 显示图像
cv.imwrite('or-mask.png', mask)  # 保存图像
cv.imshow('or-himg', himg)  # 显示图像
cv.imwrite('or-himg.png', himg)  # 保存图像
cv.imshow('or-himg2', himg2)  # 显示图像
cv.imwrite('or-himg2.png', himg2)  # 保存图像
cv.imshow('or-himg3', himg3)  # 显示图像
cv.imwrite('or-himg3.png', himg3)  # 保存图像
cv.waitKey()  # 图像不关闭
cv.destroyAllWindows()  # 释放所有窗口

代码里给出了两种按位或运算的执行过程,第一个不带掩模参数,第二个带有掩模参数:

复制代码
#按位与运算
img=cv.bitwise_or(src,image) #与运算
img2=cv.bitwise_or(src,image,mask=mask) #与运算

另外将特定像素点的BGR值按位与运算改为了按位或运算:

复制代码
#二进制按位与计算e
for i in range(3): #计数
    print('a','[0,',i,']=',a[i],'的二进制转化值=', bin(a[i]), ',b=','[0,',i,']=', b[i],'的二进制转化值=',bin(b[i])) #输出二进制转化值
    c[0,i]=np.bitwise_or(a[i],b[i]) #赋值按位与计算值
    print('c',[0,i],'=',c[0,i]) #输出按位与计算值
    print('c','[0,',i,']=',[0,i],'的二进制转化值=', bin(c[0,i]), ',d=','[0,',i,']=', d[i],'的二进制转化值=',bin(d[i])) #输出二进制转化值
    e[0,i]=np.bitwise_or(c[0,i],d[i]) #赋值按位与计算值
    print('e',[0,i],'=',e[0,i]) #输出按位与计算值

代码运行相关的图像为:

++图2 初始图像srcx.png++

++图3 带掩模的第二张图像or-image.png++

++图3 掩模矩阵对应的第三张图像or-mask.png++

++图4 不带掩模矩阵的按位或运算效果or-img.png++

++图5 带掩模矩阵的按位或运算效果or-img2.png++

++图6 不带掩模矩阵VS带掩模矩阵的按位或运算效果or-himg3.png++

由图2至图6可见,随着按位或运算函数cv2.bitwise_or()的功能执行,图像的色彩出现了明显变化。为增强对比效果,继续输出图像:

++图7 初始图像和不带掩模矩阵的按位或运算效果++ ++or-himg.png++

++图8 初始图像和不带掩模矩阵的按位或运算效果++ ++or-himg2.png++

综合图7和图8,按位或运算函数cv2.bitwise_or()执行后,只在带有掩模的区域出现了图像。为此查看特定像素点的BGR值:

++图9 特定像素点BGR按位或运算验证++

由图9读取的数据可知:使用cv2.bitwise_or()函数执行图像按位或计算时,当面向两张图像时,各个像素点的BGR值都是按照十进制转二进制、二进制按位或计算,然后再转回十进制的顺序进行。当面向三张图像时,先对前两张图像执行按位或计算,此时会获得一张中间图像,然后中间图像和第三个图像再次执行按位或计算。

++图10 cv2.bitwise_or()函数工作流程++

【3】总结

掌握了python+opencv实现使用cv2.bitwise_or()函数实现图像带掩模矩阵按位或计算的技巧。

复制代码
相关推荐
就决定是你啦!1 小时前
机器学习 第一章 绪论
人工智能·深度学习·机器学习
Wnq100722 小时前
智能巡检机器人在化工企业的应用研究
运维·计算机视觉·机器人·智能硬件·deepseek
有个人神神叨叨3 小时前
OpenAI发布的《Addendum to GPT-4o System Card: Native image generation》文件的详尽笔记
人工智能·笔记
林九生3 小时前
【Python】Browser-Use:让 AI 替你掌控浏览器,开启智能自动化新时代!
人工智能·python·自动化
liuyunshengsir4 小时前
AI Agent 实战:搭建个人在线旅游助手
人工智能·旅游
Shawn_Shawn4 小时前
大模型微调介绍
人工智能
TiAmo zhang4 小时前
DeepSeek-R1 模型现已在亚马逊云科技上提供
人工智能·云计算·aws
liruiqiang054 小时前
循环神经网络 - 简单循环网络
人工智能·rnn·深度学习·神经网络·机器学习
Erica_zhase5 小时前
GPT-4o推出的原生图像生成功能升级后有点东西!
人工智能
青花瓷5 小时前
智谱大模型(ChatGLM3)PyCharm的调试指南
人工智能·python·大模型·智谱大模型