【OpenCV】Python图像处理之按位逻辑运算

OpenCV-Python 中的按位逻辑运算包括与（AND）、或（OR）、非（NOT）、异或（XOR），基于像素的二进制位运算，常用于图像掩码、区域提取、图像合成、特征分离等场景。由于运算针对每个像素的二进制值进行，需保证图像尺寸一致（非运算除外），以下详细介绍具体方法及应用：

一、按位逻辑运算的基本概念

运算类型	作用	公式（像素值 a、b）
与（AND）	仅当 a 和 b 对应位均为 1 时结果为 1，否则为 0（保留共同区域）	`a & b`
或（OR）	只要 a 或 b 对应位有一个为 1 则结果为 1（合并区域）	`a	b`
非（NOT）	对 a 的每一位取反（反转像素值）	`~a`
异或（XOR）	a 和 b 对应位不同时结果为 1，相同时为 0（提取差异区域）	`a ^ b`

OpenCV 中通过cv2.bitwise_and()、cv2.bitwise_or()、cv2.bitwise_not()、cv2.bitwise_xor()实现，输入图像需为单通道或相同通道数的多通道图像。

二、基本运算示例

1. 创建测试图像（掩码与原图）

python 复制代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 创建黑色背景图像
img = np.zeros((300, 300), dtype=np.uint8)
# 创建白色矩形和圆形
rect = cv2.rectangle(img.copy(), (50, 50), (200, 200), 255, -1)  # 矩形
circle = cv2.circle(img.copy(), (200, 200), 100, 255, -1)        # 圆形

2. 按位与（AND）

保留两个图像的重叠区域：

python 复制代码

and_result = cv2.bitwise_and(rect, circle)

3. 按位或（OR）

合并两个图像的所有区域：

python 复制代码

or_result = cv2.bitwise_or(rect, circle)

4. 按位非（NOT）

反转图像像素值（黑变白，白变黑）：

python 复制代码

not_rect = cv2.bitwise_not(rect)

5. 按位异或（XOR）

提取两个图像的非重叠区域：

python 复制代码

xor_result = cv2.bitwise_xor(rect, circle)

6. 结果可视化

python 复制代码

plt.figure(figsize=(12, 8))
plt.subplot(231), plt.imshow(rect, cmap='gray'), plt.title('Rectangle')
plt.subplot(232), plt.imshow(circle, cmap='gray'), plt.title('Circle')
plt.subplot(233), plt.imshow(and_result, cmap='gray'), plt.title('AND')
plt.subplot(234), plt.imshow(or_result, cmap='gray'), plt.title('OR')
plt.subplot(235), plt.imshow(not_rect, cmap='gray'), plt.title('NOT (Rect)')
plt.subplot(236), plt.imshow(xor_result, cmap='gray'), plt.title('XOR')
plt.axis('off')
plt.show()

7.效果展示

三、实际应用场景

1. 图像掩码提取（保留指定区域）

通过掩码提取图像的特定区域，是逻辑运算最常用的场景：

python 复制代码

# 读取彩色图像
img = cv2.imread('image.jpg')
# 创建掩码（与图像尺寸相同，中心圆形为白色）
mask = np.zeros(img.shape[:2], dtype=np.uint8)
mask = cv2.circle(mask, (img.shape[1]//2, img.shape[0]//2), 100, 255, -1)

# 用掩码提取图像区域
masked_img = cv2.bitwise_and(img, img, mask=mask)  # 第三个参数为掩码

# 显示结果
plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original')
plt.subplot(122), plt.imshow(cv2.cvtColor(masked_img, cv2.COLOR_BGR2RGB)), plt.title('Masked Image')
plt.show()

2. 图像合成（叠加 logo）

将 logo 叠加到图像的指定位置，结合掩码避免背景干扰：

python 复制代码

# 读取背景图像和logo
bg = cv2.imread('background.jpg')
logo = cv2.imread('logo.png', cv2.IMREAD_UNCHANGED)  # 带Alpha通道的logo

# 调整logo尺寸并分离Alpha通道
logo = cv2.resize(logo, (100, 100))
logo_rgb = logo[:, :, :3]
logo_alpha = logo[:, :, 3]

# 定义logo位置
rows, cols = logo_rgb.shape[:2]
roi = bg[0:rows, 0:cols]

# 创建logo掩码和反掩码
logo_mask = logo_alpha
logo_mask_inv = cv2.bitwise_not(logo_mask)

# 隐藏roi区域的logo背景
bg_bg = cv2.bitwise_and(roi, roi, mask=logo_mask_inv)
# 提取logo前景
logo_fg = cv2.bitwise_and(logo_rgb, logo_rgb, mask=logo_mask)

# 合成logo与roi
dst = cv2.add(bg_bg, logo_fg)
bg[0:rows, 0:cols] = dst

# 显示结果
plt.imshow(cv2.cvtColor(bg, cv2.COLOR_BGR2RGB)), plt.title('Logo Added'), plt.axis('off')
plt.show()

3. 图像差异检测（XOR）

通过异或运算检测两幅图像的差异区域：

python 复制代码

# 读取两幅相似图像（略有差异）
img1 = cv2.imread('img1.jpg', 0)
img2 = cv2.imread('img2.jpg', 0)

# 异或运算获取差异
diff = cv2.bitwise_xor(img1, img2)
# 阈值处理突出差异
_, diff_thresh = cv2.threshold(diff, 10, 255, cv2.THRESH_BINARY)

# 显示结果
plt.subplot(131), plt.imshow(img1, cmap='gray'), plt.title('Image 1')
plt.subplot(132), plt.imshow(img2, cmap='gray'), plt.title('Image 2')
plt.subplot(133), plt.imshow(diff_thresh, cmap='gray'), plt.title('Difference')
plt.show()

四、注意事项

尺寸匹配 ：除cv2.bitwise_not()外，其他运算要求输入图像尺寸（高度、宽度）和通道数完全一致；
掩码使用 ：cv2.bitwise_and()/or()/xor()支持第三个参数mask（单通道），仅对掩码非零区域进行运算；
数据类型 ：输入图像通常为uint8类型，运算结果保持原类型；
多通道运算：对彩色图像的每个通道分别进行位运算，结果仍为彩色图像。

五、完整示例：掩码提取与图像合成

python 复制代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 掩码提取区域
img = cv2.imread('flower.jpg')
mask = np.zeros(img.shape[:2], dtype=np.uint8)
mask = cv2.rectangle(mask, (100, 50), (300, 250), 255, -1)
masked = cv2.bitwise_and(img, img, mask=mask)

# 2. 图像反转（NOT）
inverted = cv2.bitwise_not(img)

# 3. 显示结果
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original')
plt.subplot(132), plt.imshow(cv2.cvtColor(masked, cv2.COLOR_BGR2RGB)), plt.title('Masked Region')
plt.subplot(133), plt.imshow(cv2.cvtColor(inverted, cv2.COLOR_BGR2RGB)), plt.title('Inverted Image')
plt.axis('off')
plt.show()

效果图：

总结

按位逻辑运算的核心价值在于区域控制与像素级操作：

掩码提取：通过 AND 运算保留指定区域；
图像合成：结合掩码实现无背景叠加；
差异检测：通过 XOR 运算识别图像变化；
像素反转：通过 NOT 运算实现图像反色。

掌握逻辑运算的组合使用，可高效实现图像分割、合成、增强等复杂任务，是 OpenCV 图像处理的基础技能之一。