import numpy as np
import cv2
#np.random.randint(a, b)生成大于等于 a 小于 b 的随机整数
img_gray = np.random.randint(0, 256, size=[406, 600], dtype=np.uint8)#生成一张 406*600 的随机灰度图
cv2.namedWindow("gray")
cv2.imshow("gray", img_gray)
cv2.waitKey(delay = 0)

（2）读取原始图像

首先是从电脑获得已经下载的图像：

import numpy as np
import cv2

img1 = cv2.imread('E:\\From Zhihu\\For the desk\\de.jpg') #读取图像
cv2.namedWindow("awindow")    #创建窗口
img1_1 = cv2.resize(img1, dsize= None, fx = 0.5, fy = 0.5)#对图像尺寸进行调整
cv2.imshow("awindow", img1_1)   #显示图像
cv2.waitKey(delay = 0)    #等待
print(img1_1.shape)   #读取图像信息

并得到图像的信息：

(406, 600, 3) 图像的分辨率以及通道，之前的灰度图像就是以这个图像的大小生成的

（3）两图像相加

使用 cv2.addWeighted() 函数

该函数包括参数：图像1，图像1权值，图像2，图像2权值，为合成后的图像像素值所加的数

使用该函数时，两图像分辨率必须一致，图像通道数也要一致

本例中是将上面的灰度图像和读取的图像相加得到的

主要实现方法如下，我已经添加了注释

"""
Author:Huijun
date:2021/10/15
"""
import numpy as np
import cv2

img1 = cv2.imread('E:\\From Zhihu\\For the desk\\de.jpg')  #读取图像
cv2.namedWindow("awindow") #创建窗口
img1_1 = cv2.resize(img1, dsize= None, fx = 0.5, fy = 0.5)#调整大小
img_gray0 = cv2.cvtColor(img1_1, cv2.COLOR_BGR2GRAY)          #对图像进行灰度处理
cv2.imshow("awindow", img_gray0)   #显示图像
cv2.waitKey(delay = 0) #等待

img_gray = np.random.randint(0, 256, size=[406, 600], dtype=np.uint8)#生成随机灰度图
cv2.namedWindow("gray") 
cv2.imshow("gray", img_gray)
print(img_gray.shape) #读取灰度图属性
cv2.waitKey(delay = 0)

final_img = cv2.addWeighted(img_gray0, 0.8, img_gray, 0.2, 8) #将两个图相加
cv2.namedWindow("windowfinal")
cv2.imshow("windowfinal", final_img)
cv2.waitKey(delay = 0)

得到最终图像：

可以看出两种图像相加，但还是能分辨出美女，这是因为我们在相加时将美女的权值调为 0.8 ，所以整张图中主要显示的还是美女

如果将权值修改一下：

final_img = cv2.addWeighted(img_gray0, 0.5, img_gray, 0.5, 8)

让二者五五开，得到如下图像：

（4）图像像素点加常数

在前面的文章中提到过，图像的像素点值代表其亮度

在这里我们尝试给每一个像素点加上 50 并与原图对比

首先我们得创建一个和原图同等尺寸的矩阵

Mix = np.ones(img1_1.shape, dtype=np.uint8)*50 #生成一个单位矩阵并乘以50，单位矩阵维度和 img1_1 相同
Addimg = cv2.add(Mix, img1_1)   #给每一个像素点加50
cv2.namedWindow("Addimg")
cv2.imshow("Addimg", Addimg)
cv2.waitKey(delay = 0)

得到的图像如下：

2. 图像减法运算

（1）减小亮度

cv2.subtract() 函数可以实现图像之间的减法

下面我们还原上面得到的图像：

img1_2 = cv2.subtract(Addimg, Mix)  #在得到的图像中减去矩阵
cv2.namedWindow("subimg")
cv2.imshow("subimg", img1_2)
cv2.waitKey(delay = 0)

得到的效果如下：

可见最上面的图还原了中间的那一幅图像

（2）还原添加灰度图像的图像

在前面我们将灰度图像和原始图像相加得到一幅比较模糊的图像，这里我们尝试对它进行还原

img1_3 = cv2.subtract(final_img, img_gray)
cv2.namedWindow("subimg1")
cv2.imshow("subimg1", img1_3)
cv2.waitKey(delay = 0)

得到的最终图像如下（subimg1 窗口）：

可以看出减去灰度图像得到的图像并没有将原图复原出来，这是因为我们之前将两图像进行相加是按照权值相加的，所以直接减去灰度图像会使整个图像亮度降低

3. 图像与运算

在图像的运算中参考的资料：openCV—Python(6)—— 图像算数与逻辑运算

img1_4 = cv2.bitwise_and(img_gray0, img_gray)  #对两种图像进行与操作
cv2.namedWindow("And")
cv2.imshow("And", img1_4)
cv2.waitKey(delay = 0)

得到的图像如下：

由于生成的灰度图像为单通道图像，所以需要将原图像转化为灰度图像才能相与，再读入一幅三通道的图像进行与操作：

代码大致如下：

"""
Author:Huijun
date:2021/10/15
"""
import numpy as np
import cv2

img1 = cv2.imread('E:\\From Zhihu\\For the desk\\de.jpg')
cv2.namedWindow("beauty0")
img1_1 = cv2.resize(img1, dsize= None, fx = 0.5, fy = 0.5)
cv2.imshow("beauty0", img1_1)
print(img1_1.shape)
cv2.waitKey(delay = 0)

img1_5 = cv2.imread('E:\\From Zhihu\\For the desk\\de1.jpg') 
img1_50 = cv2.resize(img1_5, dsize= None, fx = 0.834, fy = 0.903) #调整大小和前一幅图像一致
cv2.namedWindow("beauty1")
cv2.imshow("beauty1", img1_50)
cv2.waitKey(delay = 0)
print(img1_50.shape)

img1_51 = cv2.bitwise_and(img1_1, img1_50)
cv2.namedWindow("Add1")
cv2.imshow("Add1", img1_51)
cv2.waitKey(delay = 0)

得到的图像：

。。。。。离了个大谱！beauty0 和 beauty1 都没了

4. 图像或运算

操作方式和图像的与运算一样，只是函数的名称变了

img1_51 = cv2.bitwise_or(img1_1, img1_50) #对两图像进行或运算

得到的最终图像：

5. 图像异或运算

img1_51 = cv2.bitwise_xor(img1_1, img1_50) #对两图像进行异或操作

得到的图像如下：

6. 图像非运算

对一个图像进行非操作

img1_51 = cv2.bitwise_not(img1_1) #对读取的图像进行非操作
cv2.namedWindow("Not")
cv2.imshow("Not", img1_51)
cv2.waitKey(delay = 0)

7. 图像逻辑运算的意义

参考资料：知乎回答

图像处理-逻辑运算

首先简单的算术运算对于图像来说就是对像素点值进行处理，为一幅图像加上一些要素或者减去一些要素，来观察图像的变化或者不同

在逻辑运算中，与运算可以求出两图像相交的部分，即对应的像素如果同时为真时结果为真；

非运算主要是将黑变为白，将白变为黑，对灰度图像的处理十分有效；

或运算可以求两种图像的合并，一个像素点为真时结果为真；

异或运算当两像素点相同时结果为真，不同时结果为假，可以得到两种图像不相交的部分，可以将图像进行扣出或者其他操作。

结束语

这篇文章主要汇总了图像处理过程中的一些算数运算和逻辑运算，也简单介绍了它们的意义，主要涉及一些基础操作，为后面的学习打下基础；对于一些参考资料我也添加在文章中了，如果想深入了解可以点进去进行学习。

以上是关于Python 计算机视觉—— OpenCV进行图像算数与逻辑运算的主要内容，如果未能解决你的问题，请参考以下文章

Python 计算机视觉—— OpenCV 进行图像量化与采样

Python 计算机视觉—— OpenCV进行图像平滑

Python 计算机视觉—— OpenCV 进行图像增强

opencv3计算机视觉+Python

快速学完OpenCV+python计算机视觉图像处理