- [1 加法运算](#1 加法运算)
-
- [1.1 加法运算示例add](#1.1 加法运算示例add)
- [1.2 cv2.add() 和直接相加 对比](#1.2 cv2.add() 和直接相加 对比)
- [2 减法](#2 减法)
- [3 乘法multiply，除法divide](#3 乘法multiply，除法divide)
-
- [3.1 乘法运算（亮度增强）](#3.1 乘法运算（亮度增强）)
- [3.2. 基础除法运算 （需添加常量防除零）](#3.2. 基础除法运算 （需添加常量防除零）)
- [3.3. 标准化除法改进 （更可视化的结果）](#3.3. 标准化除法改进 （更可视化的结果）)
- [3.4. 通道加权乘法（矩阵元素级）](#3.4. 通道加权乘法（矩阵元素级）)
- [3.5 除法再探究](#3.5 除法再探究)
1 加法运算
1.1 加法运算示例add
python
import cv2
import numpy as np
dog=cv2.imread('dog.jpeg')
h=dog.shape[0]//2#//取整除法
w=dog.shape[1]//2
#尺寸太大了，不便展示
dog = cv2.resize(dog, (w,h), interpolation = cv2.INTER_CUBIC)
#dog=dog.resize((200,200))#不知为啥，这个resize是错的，运行一闪而过
print(dog.shape)
cv2.imshow("dog",dog)
img=np.full((h,w,3),50,np.uint8)#生成每个像素的RGB值都是(50,50,50)的灰色图像
result=cv2.add(dog,img)
#直接相加，效果不好
dog2=dog+img
#显示
cv2.imshow("img",img)
cv2.imshow("result",result)
cv2.imshow("dog2",dog2)#直接相加，效果不好
key=cv2.waitKey(0)
add函数相加（饱和运算）：效果（左）
直接相加（模运算），效果不好（右）
1.2 cv2.add() 和直接相加 对比
在OpenCV中，cv2.add() 和直接相加 (+) 是两种不同的图像像素值相加方式，主要区别在于数值处理机制：
1 cv2.add() 函数：
- 饱和运算（Saturation Arithmetic）：
- 计算结果超过255时自动截断为255；
- 例：200 + 100 = 255；
- 保证结果始终在0-255范围内；
- 适合图像混合/叠加操作；
2 直接相加 (+)： - 模运算（Modulo Arithmetic）：
- 计算结果超过255时会取模（256取余）；
- 例：200 + 100 = 300 % 256 = 44；
- 产生非预期的颜色循环效果；
- 通常需要手动处理溢出（如 np.clip(dog+img, 0, 255)）；
2 减法
python
img=np.full((h,w,3),50,np.uint8)
add_img=cv2.add(dog,img)#加
subtract_img=cv2.subtract(dog,img)#减
#显示
cv2.imshow("img",img)
cv2.imshow("add_img",add_img)
cv2.imshow("subtract_img",subtract_img)原图
左加，右减；
结论:
加运算，图片更亮；
减运算，图片更暗；
完整代码
python
import cv2
import numpy as np
dog=cv2.imread('dog.jpeg')
h=dog.shape[0]//2#//取整除法
w=dog.shape[1]//2
#尺寸太大了，不便展示
dog = cv2.resize(dog, (w,h), interpolation = cv2.INTER_CUBIC)
#dog=dog.resize((200,200))#不知为啥，这个resize是错的，运行一闪而过
print(dog.shape)
cv2.imshow("dog",dog)
img=np.full((h,w,3),50,np.uint8)
add_img=cv2.add(dog,img)#加
subtract_img=cv2.subtract(dog,img)#减
#显示
cv2.imshow("img",img)
cv2.imshow("add_img",add_img)
cv2.imshow("subtract_img",subtract_img)
key=cv2.waitKey(0)3 乘法multiply，除法divide
python
import cv2
import numpy as np
dog=cv2.imread('dog.jpeg')
h=dog.shape[0]//2#//取整除法
w=dog.shape[1]//2
#尺寸太大了，不便展示
dog = cv2.resize(dog, (w,h), interpolation = cv2.INTER_CUBIC)
#dog=dog.resize((200,200))#不知为啥，这个resize是错的，运行一闪而过
print(dog.shape)
cv2.imshow("dog",dog)
img=np.full((h,w,3),50,np.uint8)#生成每个像素的RGB值都是(50,50,50)的灰色图像
#乘法运算（亮度增强效果）
mult_img = cv2.multiply(dog, 1.5) # 1.5倍亮度提升
cv2.imshow("Multiplication", mult_img)
# 除法运算（需添加微小常量防除零）
divide51_img = cv2.divide(dog, img + 1) # 避免除数为0
cv2.imshow("Division/51", divide51_img)
#标准化除法（更可视化的结果）
normalized_div = cv2.divide(dog, img + 1, scale=100) # 缩放结果
cv2.imshow("Normalized Division", normalized_div)
#加权乘法（矩阵元素级）
matrix_mult = cv2.multiply(dog, np.array([0.8, 1.2, 0.9], dtype=np.float32))
cv2.imshow("Channel Weighted Multiply", matrix_mult)
key=cv2.waitKey(0)下面是对上面代码关键部分的解释
3.1 乘法运算（亮度增强）
python
mult_img = cv2.multiply(dog, 1.5) # 1.5倍亮度提升- 原理： 对每个像素的BGR通道值执行标量乘法
- 运算规则：
- 采用饱和运算：结果 = min(原始值 × 1.5, 255)；
- 例如：原像素值100 → 100×1.5=150（正常显示）；
- 原像素值200 → 200×1.5=300 → 截断为255；
- 效果： 整体亮度提升，高光区域可能出现过曝；
3.2. 基础除法运算 （需添加常量防除零）
python
divide_img = cv2.divide(dog, img + 1) # img是50的灰度图- 运算过程：
- 除数：
img + 1 = 51（所有像素值）； - 计算公式： 结果 = dog / 51；
- 典型计算： 原像素值100 → 100/51≈1.96 → 转换为uint8后=1（几乎全黑）；
- 除数：
- 全黑原因：
- 原始图像像素值范围（0-255）除以51后结果范围（0-5）；
- 转换为uint8类型时，小于1的值显示为0（纯黑）；
3.3. 标准化除法改进 （更可视化的结果）
将除法的结果 再乘以 scale 倍率。
python
normalized_div = cv2.divide(dog, img + 1, scale=100)改进原理：
- scale参数作为乘数：结果 =
100 × (dog/51) - 使输出值范围扩大到0-500，但：
- 仍会被截断到255（uint8限制）
- 实际效果：100/51×100≈196（可见灰度）
3.4. 通道加权乘法（矩阵元素级）
通道加权乘法： 每个通道乘以不同的系数；
python
matrix_mult = cv2.multiply(dog, [0.8,1.2,0.9])特殊效果：
- B通道×0.8（削弱蓝色）
- G通道×1.2（增强绿色）
- R通道×0.9（轻微削弱红色）
应用场景： 色彩平衡调整；
3.5 除法再探究
下面两种代码，都是每个通道除以5的意思，结果一样
python
divide_45_img = cv2.divide(dog, img - 45)
cv2.imshow("Division-45", divide_45_img)
python
divide5_img = cv2.divide(dog, 5)
cv2.imshow("Division/5", divide5_img)