像素运算（两个图形必须完全一致）：算数运算，逻辑运算
1·通过加减乘除，调节图像的亮度，对比度
2·通过与，或，非，实现遮罩层的控制
整体实现常见的图像混合，算数运算与几何运算
只有黑白二色的图像，我们称之为mask
'''——————————————算数运算————————————————'''
def add_demo(m1,m2): #加
dst = cv.add(m1,m2)
cv.imshow("add_image",dst)
def sub_demo(m1,m2): #减
dst = cv.subtract(m1,m2)
cv.imshow("sub_image",dst)
def div_demo(m1,m2): #乘
dst = cv.divide(m1,m2)
cv.imshow("div_image",dst)
def mul_demo(m1,m2): #除
dst = cv.multiply(m1,m2)
cv.imshow("mul_image",dst)效果图：
'''——————————————像素统计————————————————'''
def average(img1, img2):
"""展示BGR三个通道各自的平均值"""
"""可以用来统计整幅图像中，BGR中哪种颜色所占比例最大，哪种又是最小"""
mean1 = cv.mean(img1)
mean2 = cv.mean(img2)
print(mean1)
print(mean2)
def mean_dev(img1, img2):
"""方法cv.meanStdDev()不仅可以求出各通道均值，还能求出各通道标准差"""
"""标准差越大说明各个像素之间差异越大"""
"""标准差可以用来判断一张图像是否含有有效信息，标准差过小肯定有问题（纯色图标准差为0）"""
mean1, dev1 = cv.meanStdDev(img1)
mean2, dev2 = cv.meanStdDev(img2)
print(mean1)
print(mean2)
print(dev1)
print(dev2)
h,w = img1.shape[:2]
img = np.zeros([h,w],np.uint8)
m,dev = cv.meanStdDev(img)
print(m)
print(dev)效果图：
'''——————————————逻辑运算————————————————'''
def logic_and_demo(img1, img2):
"""逻辑与运算，只有两个bit都是1时，两bit的与运算结果才为1"""
"""黑色BGR(0，0，0)数据类型为uint8，所以二进制形态为00000000"""
"""白色BGR(255，255，255)数据类型为uint8，二进制形态为11111111"""
"""由此可见黑色像素与任何颜色进行与运算结果都为黑色，黑色遮挡一切"""
"""白色像素和任何颜色像素进行与运算结果都为原来的颜色，白色相当于透明"""
dst = cv.bitwise_and(img1, img2)
# 注意，若img1或img2中有一个是mask，则它可以作为遮罩层
cv.imshow("logic_and_dst", dst)
def logic_or_demo(img1, img2):
"""两bit进行或运算，两bit中只要与一个为1，则结果为1"""
"""任何颜色与黑色进行或运算，结果都保持原来的颜色"""
"""任何颜色与白色进行或运算，结果都为白色"""
dst = cv.bitwise_or(img1, img2)
cv.imshow("logic_or_dst", dst)
def logic_not_demo(img1):
"""bit_wise_not其实是按位取反，即像素的某个通道二进制形态为10010011，则变为01101100"""
"""注意01101100+10010011=11111111，即255"""
dst = cv.bitwise_not(img1)
cv.imshow("logic_not_dst", dst)效果图：
'''——————————————对比度和亮度————————————————'''
def contract_brightness_demo(image,c,b):
"""利用图像的加权叠加来实现对比度的调整，以及亮度的调整，c代表对比度，b代表亮度"""
h, w, ch = image.shape # 求出img的高和宽和通道数
blank = np.zeros([h, w, ch], dtype=np.uint8) # 生成一张纯黑色图像
dst = cv.addWeighted(image, c, blank, 1 - c, b)
# cv2.addWeighted()方法表示将img和blank两张图，按照c和1-c的比例加权叠加
# 由于blank是一张纯黑色的图，所有像素都是0，所以等价于将img的所有像素值乘上c(c>1也可以)
# 乘上c之后，2变4,4变8，不同像素之间的差异也就变大了，及对比度提高
# b表示每个像素的每个通道的值加上b，也就是亮度提高
cv.imshow("cb_dst", dst)效果图：
完整代码：
扫描二维码关注公众号，回复：
8930326 查看本文章
import cv2 as cv
import numpy as np
'''——————————————算数运算————————————————'''
def add_demo(m1,m2): #加
dst = cv.add(m1,m2)
cv.imshow("add_image",dst)
def sub_demo(m1,m2): #减
dst = cv.subtract(m1,m2)
cv.imshow("sub_image",dst)
def div_demo(m1,m2): #乘
dst = cv.divide(m1,m2)
cv.imshow("div_image",dst)
def mul_demo(m1,m2): #除
dst = cv.multiply(m1,m2)
cv.imshow("mul_image",dst)
'''——————————————像素统计————————————————'''
def average(img1, img2):
"""展示BGR三个通道各自的平均值"""
"""可以用来统计整幅图像中，BGR中哪种颜色所占比例最大，哪种又是最小"""
mean1 = cv.mean(img1)
mean2 = cv.mean(img2)
print(mean1)
print(mean2)
def mean_dev(img1, img2):
"""方法cv.meanStdDev()不仅可以求出各通道均值，还能求出各通道标准差"""
"""标准差越大说明各个像素之间差异越大"""
"""标准差可以用来判断一张图像是否含有有效信息，标准差过小肯定有问题（纯色图标准差为0）"""
mean1, dev1 = cv.meanStdDev(img1)
mean2, dev2 = cv.meanStdDev(img2)
print(mean1)
print(mean2)
print(dev1)
print(dev2)
h,w = img1.shape[:2]
img = np.zeros([h,w],np.uint8)
m,dev = cv.meanStdDev(img)
print(m)
print(dev)
'''——————————————逻辑运算————————————————'''
def logic_and_demo(img1, img2):
"""逻辑与运算，只有两个bit都是1时，两bit的与运算结果才为1"""
"""黑色BGR(0，0，0)数据类型为uint8，所以二进制形态为00000000"""
"""白色BGR(255，255，255)数据类型为uint8，二进制形态为11111111"""
"""由此可见黑色像素与任何颜色进行与运算结果都为黑色，黑色遮挡一切"""
"""白色像素和任何颜色像素进行与运算结果都为原来的颜色，白色相当于透明"""
dst = cv.bitwise_and(img1, img2)
# 注意，若img1或img2中有一个是mask，则它可以作为遮罩层
cv.imshow("logic_and_dst", dst)
def logic_or_demo(img1, img2):
"""两bit进行或运算，两bit中只要与一个为1，则结果为1"""
"""任何颜色与黑色进行或运算，结果都保持原来的颜色"""
"""任何颜色与白色进行或运算，结果都为白色"""
dst = cv.bitwise_or(img1, img2)
cv.imshow("logic_or_dst", dst)
def logic_not_demo(img1):
"""bit_wise_not其实是按位取反，即像素的某个通道二进制形态为10010011，则变为01101100"""
"""注意01101100+10010011=11111111，即255"""
dst = cv.bitwise_not(img1)
cv.imshow("logic_not_dst", dst)
src1 = cv.imread("C:/Users/idmin/Desktop/img/img3.jpg")
src2 = cv.imread("C:/Users/idmin/Desktop/img/img4.jpg")
print(src1.shape)
print(src2.shape)
cv.namedWindow("input image1", cv.WINDOW_AUTOSIZE)
cv.namedWindow("input image2", cv.WINDOW_AUTOSIZE)
cv.imshow("input image1", src1)
cv.imshow("input image2", src2)
add_demo(src1,src2)
sub_demo(src1,src2)
div_demo(src1,src2)
mul_demo(src1,src2)
logic_and_demo(src1,src2)
logic_or_demo(src1,src2)
logic_not_demo(src1)
average(src1,src2)
mean_dev(src1,src2)
contract_brightness_demo(src1,1.5,20)
cv.waitKey(0)
cv.destroyAllWindows()