OpenCV图像算术运算：加减乘除与位运算实战

编码小哥2026-04-08 9:17

目录

一、图像算术运算概述

[1.1 什么是图像算术运算？](#1.1 什么是图像算术运算？)

[1.2 算术运算的基本概念](#1.2 算术运算的基本概念)

[1.3 算术运算的应用场景](#1.3 算术运算的应用场景)

二、图像加法

[2.1 基本原理](#2.1 基本原理)

[2.2 OpenCV实现](#2.2 OpenCV实现)

[2.2.1 使用add函数](#2.2.1 使用add函数)

[2.2.2 使用NumPy加法](#2.2.2 使用NumPy加法)

[2.3 加权加法](#2.3 加权加法)

三、图像减法

[3.1 基本原理](#3.1 基本原理)

[3.2 OpenCV实现](#3.2 OpenCV实现)

[3.2.1 使用subtract函数](#3.2.1 使用subtract函数)

[3.2.2 绝对差值](#3.2.2 绝对差值)

[3.3 运动检测应用](#3.3 运动检测应用)

四、图像乘法

[4.1 基本原理](#4.1 基本原理)

[4.2 OpenCV实现](#4.2 OpenCV实现)

[4.2.1 使用multiply函数](#4.2.1 使用multiply函数)

[4.2.2 亮度调整](#4.2.2 亮度调整)

五、图像除法

[5.1 基本原理](#5.1 基本原理)

[5.2 OpenCV实现](#5.2 OpenCV实现)

[5.2.1 使用divide函数](#5.2.1 使用divide函数)

[5.2.2 对比度调整](#5.2.2 对比度调整)

六、位运算

[6.1 基本原理](#6.1 基本原理)

[6.2 位与运算（AND）](#6.2 位与运算（AND）)

[6.3 位或运算（OR）](#6.3 位或运算（OR）)

[6.4 位非运算（NOT）](#6.4 位非运算（NOT）)

[6.5 位异或运算（XOR）](#6.5 位异或运算（XOR）)

七、ROI（感兴趣区域）操作

[7.1 基本概念](#7.1 基本概念)

[7.2 ROI提取](#7.2 ROI提取)

[7.3 ROI修改](#7.3 ROI修改)

[7.4 ROI替换](#7.4 ROI替换)

八、图像混合

[8.1 Alpha混合](#8.1 Alpha混合)

[8.1.1 基本原理](#8.1.1 基本原理)

[8.1.2 OpenCV实现](#8.1.2 OpenCV实现)

[8.2 渐变混合](#8.2 渐变混合)

九、实战案例

[9.1 水印添加](#9.1 水印添加)

[9.2 图像淡入淡出效果](#9.2 图像淡入淡出效果)

[9.3 图像拼接](#9.3 图像拼接)

十、总结

[10.1 核心要点](#10.1 核心要点)

[10.2 最佳实践](#10.2 最佳实践)

一、图像算术运算概述

1.1 什么是图像算术运算？

图像算术运算是指对图像进行基本的数学运算，包括加法、减法、乘法、除法以及位运算等。这些运算在图像处理、图像融合、特效制作等领域有着广泛的应用。

1.2 算术运算的基本概念

图像算术运算的特点：

像素级操作：对每个像素进行独立运算

维度匹配：参与运算的图像必须具有相同的尺寸和通道数

数据类型：运算结果可能超出原始数据类型的范围

饱和处理：需要处理溢出和下溢情况

1.3 算术运算的应用场景

图像融合：将多幅图像合并为一幅

图像混合：创建过渡效果

特效制作：水印、淡入淡出等

ROI操作：提取和操作图像的特定区域

图像增强：通过运算调整图像亮度、对比度

二、图像加法

2.1 基本原理

图像加法是将两幅图像对应位置的像素值相加，得到新的图像。

加法公式：

```

C(x, y) = A(x, y) + B(x, y)

```

其中，A和B是输入图像，C是输出图像。
注意事项：

像素值可能超出255（对于8位图像）

需要进行饱和处理

图像尺寸必须相同

2.2 OpenCV实现

2.2.1 使用add函数

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#图像加法

result = cv2.add(image1, image2)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('Added Image', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

2.2.2 使用NumPy加法

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#方法1：NumPy加法（可能溢出）

result_numpy = image1 + image2

#方法2：NumPy加法（带饱和处理）

result_numpy_sat = np.clip(image1.astype(np.int16) + image2.astype(np.int16), 0, 255).astype(np.uint8)

#方法3：OpenCV加法（推荐）

result_opencv = cv2.add(image1, image2)

#显示结果

cv2.imshow('NumPy Addition (No Saturation)', result_numpy)

cv2.imshow('NumPy Addition (With Saturation)', result_numpy_sat)

cv2.imshow('OpenCV Addition', result_opencv)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

2.3 加权加法

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#加权加法

alpha: 第一幅图像的权重

beta: 第二幅图像的权重

gamma: 加到结果上的标量值

alpha = 0.7

beta = 0.3

gamma = 0

result = cv2.addWeighted(image1, alpha, image2, beta, gamma)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow(f'Weighted Addition (α={alpha}, β={beta})', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

三、图像减法

3.1 基本原理

图像减法是将两幅图像对应位置的像素值相减，用于检测图像之间的差异。

减法公式：

```

C(x, y) = A(x, y) B(x, y)

```

其中，A和B是输入图像，C是输出图像。
注意事项：

像素值可能小于0

需要进行饱和处理

结果可能为负数，需要取绝对值

3.2 OpenCV实现

3.2.1 使用subtract函数

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#图像减法

result = cv2.subtract(image1, image2)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('Subtracted Image', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

3.2.2 绝对差值

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#计算绝对差值

result = cv2.absdiff(image1, image2)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('Absolute Difference', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

3.3 运动检测应用

```python

import cv2

import numpy as np

#打开摄像头

cap = cv2.VideoCapture(0)

#读取第一帧

ret, prev_frame = cap.read()

prev_gray = cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY)

while True:

#读取当前帧

ret, frame = cap.read()

if not ret:

break

#转换为灰度图

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

#计算帧差

diff = cv2.absdiff(prev_gray, gray)

#阈值分割

_, thresh = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)

#形态学操作去噪

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

#显示结果

cv2.imshow('Motion Detection', thresh)

#更新前一帧

prev_gray = gray

if cv2.waitKey(30) & 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

```

四、图像乘法

4.1 基本原理

图像乘法是将两幅图像对应位置的像素值相乘，用于调整图像亮度或创建遮罩效果。

乘法公式：

```

C(x, y) = A(x, y) B(x, y)

```

其中，A和B是输入图像，C是输出图像。

注意事项：

像素值可能快速增大

通常需要归一化处理

适用于创建遮罩效果

4.2 OpenCV实现

4.2.1 使用multiply函数

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('image.jpg')

#创建遮罩（中心亮，边缘暗）

mask = np.zeros_like(image, dtype=np.float32)

h, w = image.shape[:2]

center_x, center_y = w // 2, h // 2

for i in range(h):

for j in range(w):

dist = np.sqrt((i center_y)2 + (j center_x)2)

mask[i, j] = np.exp(dist / (h / 4))

#归一化遮罩

mask = (mask 255).astype(np.uint8)

#图像乘法

result = cv2.multiply(image, mask, scale=1/255.0)

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Mask', mask)

cv2.imshow('Multiplied Image', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

4.2.2 亮度调整

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('image.jpg')

#创建亮度调整因子

factor > 1.0: 增加亮度

factor < 1.0: 降低亮度

factor = 1.5

#归一化图像

image_float = image.astype(np.float32) / 255.0

#应用亮度调整

adjusted = image_float factor

#归一化回[0, 255]范围

adjusted = np.clip(adjusted 255.0, 0, 255).astype(np.uint8)

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow(f'Brightness Adjusted (Factor={factor})', adjusted)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

五、图像除法

5.1 基本原理

图像除法是将两幅图像对应位置的像素值相除，用于归一化或创建特殊效果。

除法公式：

```

C(x, y) = A(x, y) / B(x, y)

```

其中，A和B是输入图像，C是输出图像。

注意事项：

需要处理除零情况

结果通常需要归一化

适用于归一化操作

5.2 OpenCV实现

5.2.1 使用divide函数

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('image.jpg')

#创建归一化图像

normalization_map = np.ones_like(image, dtype=np.float32) 2.0

#图像除法

result = cv2.divide(image.astype(np.float32), normalization_map)

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Divided Image', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

5.2.2 对比度调整

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('image.jpg')

#计算图像均值

mean_value = np.mean(image)

#创建对比度调整图像

factor > 1.0: 增加对比度

factor < 1.0: 降低对比度

factor = 1.5

#对比度调整公式

adjusted = (image mean_value) factor + mean_value

#饱和处理

adjusted = np.clip(adjusted, 0, 255).astype(np.uint8)

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow(f'Contrast Adjusted (Factor={factor})', adjusted)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

六、位运算

6.1 基本原理

位运算是对图像的像素值进行二进制位操作，包括与（AND）、或（OR）、非（NOT）、异或（XOR）等。

位运算的特点：

直接操作像素的二进制位

适用于二值图像

可以创建复杂的遮罩效果

计算速度快

6.2 位与运算（AND）

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('image.jpg')

#创建矩形遮罩

mask = np.zeros_like(image)

h, w = image.shape[:2]

cv2.rectangle(mask, (w//4, h//4), (w3//4, h3//4), (255, 255, 255), 1)

#位与运算

result = cv2.bitwise_and(image, mask)

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Mask', mask)

cv2.imshow('AND Result', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

6.3 位或运算（OR）

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#位或运算

result = cv2.bitwise_or(image1, image2)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('OR Result', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

6.4 位非运算（NOT）

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('image.jpg')

#位非运算

result = cv2.bitwise_not(image)

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('NOT Result', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

6.5 位异或运算（XOR）

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#位异或运算

result = cv2.bitwise_xor(image1, image2)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('XOR Result', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

七、ROI（感兴趣区域）操作

7.1 基本概念

ROI（Region of Interest，感兴趣区域）是指图像中需要特别处理的区域。ROI操作可以提取、修改或替换图像的特定部分。

ROI的特点：

减少计算量

提高处理速度

专注于图像的重要部分

可以进行复杂的区域操作

7.2 ROI提取

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('full_image.jpg')

#定义ROI区域

格式：image[y:y+h, x:x+w]

x, y, w, h = 100, 100, 200, 200

roi = image[y:y+h, x:x+w]

#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('ROI', roi)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

7.3 ROI修改

```python

import cv2

import numpy as np

#读取图像

image = cv2.imread('full_image.jpg')

#定义ROI区域

x, y, w, h = 100, 100, 200, 200

roi = image[y:y+h, x:x+w]

#修改ROI（添加红色边框）

cv2.rectangle(roi, (10, 10), (w10, h10), (0, 0, 255), 3)

#将修改后的ROI放回原图

image[y:y+h, x:x+w] = roi

#显示结果

cv2.imshow('Modified Image', image)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

7.4 ROI替换

```python

import cv2

import numpy as np

#读取两幅图像

main_image = cv2.imread('main_image.jpg')

logo_image = cv2.imread('logo.png')

#确保logo图像小于主图像

logo_h, logo_w = logo_image.shape[:2]

main_h, main_w = main_image.shape[:2]

if logo_h < main_h and logo_w < main_w:

#定义logo位置（右下角）

x, y = main_w logo_w 20, main_h logo_h 20

#创建ROI

roi = main_image[y:y+logo_h, x:x+logo_w]

#将logo添加到ROI

#使用alpha混合（如果logo有透明通道）

if logo_image.shape[2] == 4: 有alpha通道

#分离alpha通道

b, g, r, alpha = cv2.split(logo_image)

#归一化alpha通道

alpha = alpha.astype(np.float32) / 255.0

#对每个通道应用alpha混合

for c in range(3):

roi[:, :, c] = roi[:, :, c] (1 alpha) + logo_image[:, :, c] alpha

else:

#直接替换

roi[:, :] = logo_image

#将修改后的ROI放回原图

main_image[y:y+logo_h, x:x+logo_w] = roi

#显示结果

cv2.imshow('Image with Logo', main_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

else:

print("Logo图像尺寸大于主图像！")

```

八、图像混合

8.1 Alpha混合

8.1.1 基本原理

Alpha混合是一种图像融合技术，它使用alpha通道（透明度）来控制两幅图像的混合比例。

Alpha混合公式：

```

C = α F + (1 α) B

```

其中：

C是混合后的像素值

α是alpha值（0表示完全透明，1表示完全不透明）

F是前景图像

B是背景图像

8.1.2 OpenCV实现

```python

import cv2

import numpy as np

#读取前景图像和背景图像

foreground = cv2.imread('foreground.png') 假设有alpha通道

background = cv2.imread('background.jpg')

#确保前景图像有alpha通道

if foreground.shape[2] == 4:

#分离alpha通道

b, g, r, alpha = cv2.split(foreground)

#归一化alpha通道到[0, 1]范围

alpha = alpha.astype(np.float32) / 255.0

#调整前景图像尺寸

foreground_resized = cv2.resize(foreground[:, :, :3], (background.shape[1], background.shape[0]))

#Alpha混合

result = np.zeros_like(background, dtype=np.float32)

for c in range(3):

result[:, :, c] = (foreground_resized[:, :, c] alpha +

background[:, :, c] (1 alpha))

#转换回uint8

result = result.astype(np.uint8)

#显示结果

cv2.imshow('Background', background)

cv2.imshow('Foreground', foreground_resized)

cv2.imshow('Alpha Blended', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

else:

print("前景图像没有alpha通道！")

```

8.2 渐变混合

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#创建渐变alpha通道

h, w = image1.shape[:2]

alpha = np.linspace(0, 1, w, dtype=np.float32)

alpha = np.tile(alpha, (h, 1))

alpha = alpha[:, :, np.newaxis]

#Alpha混合

result = (image1.astype(np.float32) alpha +

image2.astype(np.float32) (1 alpha)).astype(np.uint8)

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('Gradient Blend', result)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

九、实战案例

9.1 水印添加

```python

import cv2

import numpy as np

#读取主图像和水印图像

main_image = cv2.imread('main_image.jpg')

watermark = cv2.imread('watermark.png', cv2.IMREAD_UNCHANGED)

#确保水印图像有alpha通道

if watermark.shape[2] == 4:

#分离alpha通道

b, g, r, alpha = cv2.split(watermark)

#归一化alpha通道

alpha = alpha.astype(np.float32) / 255.0

#调整水印大小

watermark_resized = cv2.resize(watermark[:, :, :3],

(main_image.shape[1]//2, main_image.shape[0]//2))

#调整alpha通道大小

alpha_resized = cv2.resize(alpha, (main_image.shape[1]//2, main_image.shape[0]//2))

#定义水印位置（右下角）

x, y = main_image.shape[1] watermark_resized.shape[1] 20, \

main_image.shape[0] watermark_resized.shape[0] 20

#创建ROI

roi = main_image[y:y+watermark_resized.shape[0],

x:x+watermark_resized.shape[1]]

#Alpha混合

result_roi = np.zeros_like(roi, dtype=np.float32)

for c in range(3):

result_roi[:, :, c] = (watermark_resized[:, :, c] alpha_resized +

roi[:, :, c] (1 alpha_resized))

#将混合后的ROI放回原图

main_image[y:y+watermark_resized.shape[0],

x:x+watermark_resized.shape[1]] = result_roi.astype(np.uint8)

#显示结果

cv2.imshow('Image with Watermark', main_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

else:

print("水印图像没有alpha通道！")

```

9.2 图像淡入淡出效果

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#确保两幅图像尺寸相同

image2 = cv2.resize(image2, (image1.shape[1], image1.shape[0]))

#创建淡入淡出效果

frames = 30

for i in range(frames):

#计算alpha值（0到1）

alpha = i / (frames 1)

#Alpha混合

result = (image1.astype(np.float32) alpha +

image2.astype(np.float32) (1 alpha)).astype(np.uint8)

#显示结果

cv2.imshow('Fade Effect', result)

cv2.waitKey(50)

cv2.destroyAllWindows()

```

9.3 图像拼接

```python

import cv2

import numpy as np

#读取两幅图像

image1 = cv2.imread('image1.jpg')

image2 = cv2.imread('image2.jpg')

#水平拼接

h_concat = cv2.hconcat([image1, image2])

#垂直拼接

v_concat = cv2.vconcat([image1, image2])

#显示结果

cv2.imshow('Image 1', image1)

cv2.imshow('Image 2', image2)

cv2.imshow('Horizontal Concatenation', h_concat)

cv2.imshow('Vertical Concatenation', v_concat)

cv2.waitKey(0)

cv2.destroyAllWindows()

```

十、总结

10.1 核心要点

  1. 图像算术运算：使用add、subtract、multiply、divide函数

加法：图像融合、亮度调整

减法：运动检测、差异分析

乘法：亮度调整、遮罩效果

除法：归一化、对比度调整
2. 位运算：使用bitwise_and、bitwise_or、bitwise_not、bitwise_xor函数

与运算：遮罩提取

或运算：图像合并

非运算：图像反转

异或运算：差异检测
3. ROI操作：提取和修改图像的特定区域

减少计算量

提高处理速度

专注于重要部分
4. 图像混合：使用alpha通道进行图像融合

Alpha混合：透明度控制

渐变混合：平滑过渡

水印添加：版权保护

10.2 最佳实践

  1. 尺寸匹配：确保参与运算的图像尺寸相同

  2. 数据类型：注意运算结果的数据类型和范围

  3. 饱和处理：处理溢出和下溢情况

  4. 性能考虑：ROI操作可以显著提高处理速度

  5. 应用场景：根据具体需求选择合适的运算方法

相关推荐
Dev7z2 小时前
基于深度学习的香梨产量预测系统设计与实现(UI界面+数据集+训练代码)
人工智能·深度学习·yolo12·产量预测·香梨
阿达_优阅达2 小时前
让合规更高效：Fin AI × Sumsub 五大智能流程优化实践
人工智能·智能客服·企业数字化转型·intercom·finai
IT_陈寒2 小时前
JavaScript开发实战:从入门到精通
前端·人工智能·后端
前端双越老师2 小时前
为什么说 OpenClaw 应该装在自己的电脑上
人工智能·agent·全栈
Flamingˢ2 小时前
基于 FPGA 的帧间差分运动检测
人工智能·目标跟踪·fpga开发
小陈工2 小时前
2026年4月5日技术资讯洞察：AI商业模式变革、知识管理革命与开源生态反击
开发语言·人工智能·python·安全·oracle·开源
QYR-分析2 小时前
MPPT控制器行业解析：技术迭代与市场机遇前瞻
大数据·人工智能
A尘埃2 小时前
深度学习之卷积神经网络CNN（卷积+池化）
人工智能·深度学习·cnn
pzx_0012 小时前
【Pytorch】nn.Embedding函数详解
人工智能·pytorch·embedding
热门推荐
01GitHub 镜像站点02OpenClaw 请求超时 llm request timed out 怎么解决？3 种方案实测，附完整排查流程03AI 编程效率翻倍：Superpowers Skills 上手清单 + 完整指南04Qwen3.5-Omni与Qwen3.6模型全面解析（含测评/案例/使用教程）05VMware Workstation Pro 17 虚拟机完整安装教程（2026最新）06Claude Code 未登录 使用第三方模型07Oh My Codex 快速使用指南08【技术干货】Gemma 4 上手深度指南：本地多模态大模型的新基线09UV安装并设置国内源10最新更新版本，OpenClaw v2026.4.2 深度解读剖析：Task Flow 重磅回归与安全架构的全面硬化