计算机视觉——OpenCV Python位运算与图像掩码

本文主要是介绍计算机视觉——OpenCV Python位运算与图像掩码，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

概述

位运算与图像掩码的结合允许对图像的特定区域进行精确的操作。通过使用位运算（如AND、OR、XOR和NOT），可以基于掩码的选择性地修改图像数据。位运算与图像掩码结合使用的一些关键点和应用场景：

选择性修改：
通过位运算AND，我们可以将图像的特定区域（由掩码定义）与其他图像或图形元素结合。例如，如果我们有一个对象的掩码，我们可以使用这个掩码来保留原始图像中的对象，同时将其他区域替换为另一张图像的内容。
区域保护：
位运算AND也可以用于保护图像的某些区域不受更改。例如，如果我们想要在图像的某个区域上添加效果，但不想影响其他区域，我们可以创建一个掩码，将效果应用于该区域，同时保持其他区域不变。
图像融合：
使用位运算OR，我们可以将两个图像的重叠区域合并，同时保留各自的独特区域。这对于图像融合和创建合成图像特别有用。
图像反转：
位运算NOT可以用来反转图像的颜色。通过将整个图像应用掩码（其中所有像素都是1），我们可以创建图像的负片。
对象提取：
通过结合使用掩码和位运算，我们可以从复杂背景中提取对象。例如，我们可以创建一个掩码来隔离感兴趣的对象，然后使用位运算AND将其从原始图像中分离出来。
图像修复：
在图像修复任务中，我们可以使用掩码来标识需要修复的区域。然后，可以使用位运算将修复区域与周围区域融合，以实现自然的过渡。

在实际应用中，图像掩码通常是由图像处理算法生成的，例如阈值化、边缘检测、颜色分割等。一旦有了掩码，就可以使用OpenCV等图像处理库提供的位运算函数来执行上述操作。

位运算AND

在 OpenCV 中，位运算AND是一种按位操作，它允许你逐像素地比较两个图像，并根据指定的掩码保留那些在两个图像中都为非零的像素。这种操作通常用于图像处理中，例如提取两个图像的交集或者根据掩码保留特定区域的像素。
为了应用位运算，首先创建两个黑色图像，一个带有垂直白色矩形，另一个带有水平白色矩形：

import cv2
import numpy as np# 画一个垂直矩形image1 = np.zeros((400, 600), dtype="uint8")cv2.rectangle(image1, (50, 50), (250, 350), 255, -1)# 画一个水平矩形image2 = np.zeros((400, 600), dtype="uint8")cv2.rectangle(image2, (50, 200), (550, 350), 255, -1)cv2.imshow("image1", image1)cv2.imshow("image2", image2)cv2.waitKey(0)

要创建一个黑色图像，我们np.zeros函数。这个函数将创建一个充满零（黑色图像）的(400, 600)图像。在第一个黑色图像中，使用cv2.rectangle函数画了一个垂直白色矩形。这个白色矩形的宽度为250 - 50 = 200，高度为350 - 50 = 300。

在第二个黑色图像中，画了一个水平白色矩形，宽度为550 - 50 = 500，高度为350 - 200 = 150。

两个图像如下所示：
在这里插入图片描述

要应用位运算AND，可以使用cv2.bitwise_and函数：

bitwise_and = cv2.bitwise_and(image1, image2)
cv2.imshow("bitwise_and", bitwise_and)
cv2.waitKey(0)

cv2.bitwise_and 函数确实是用于计算两个数组的逐元素位逻辑“与”（AND）运算。这个函数会将输入图像中的每个像素位置的像素值进行比较，并根据比较结果设置输出图像中相应位置的像素值。

在位运算中，逻辑“与”运算的规则如下：

如果两个比较位都是1（非零），则结果位也是1。
如果两个比较位中有任何一个是0，则结果位是0。

在图像处理的上下文中，这通常意味着：

如果 image1 和 image2 中相应位置的像素值都大于0（在8位图像中，像素值的范围是0到255），那么这两个像素都被认为是有效的，输出图像中对应位置的像素值将被设置为最大值，通常是255（代表白色）。
如果 image1 或 image2 中任一像素值为0（代表黑色或透明），或者两者都是0，那么输出图像中对应位置的像素值将被设置为0（代表黑色或完全不透明）。

a = np.array([255])  # 两个像素都大于0b = np.array([255])  # 大于0cv2.bitwise_and(a, b)  # 输出255
array([[255]], dtype=int32)a = np.array([0])  # 两个像素中的一个等于0b = np.array([255])cv2.bitwise_and(a, b)  # 输出0
array([[0]], dtype=int32)

位运算AND函数的下面图像所示,唯一留下的白色（255）区域是两个矩形重叠的区域，其他都是黑色（0）：
在这里插入图片描述

位运算OR

cv2.bitwise_or 函数是 OpenCV 库中用于执行逐元素位逻辑“或”（OR）运算的函数。这个函数比较两个输入数组的对应元素，并根据比较结果计算输出数组的元素值。位运算 OR 的基本原则是：

如果两个比较位中任何一个为1（非零），结果位为1。
如果两个比较位都为0（零），结果位也为0。

在图像处理的上下文中，cv2.bitwise_or 函数的行为如下：

如果 image1 和 image2 中任一位置的像素值大于0（在8位图像中，像素值的范围是0到255），那么输出图像中对应位置的像素值将被设置为最大值（通常是255，代表白色）。
如果 image1 和 image2 中所有位置的像素值都为0（代表黑色），那么输出图像中对应位置的像素值也将是0（黑色）。

这种操作在图像处理中可以用于多种目的，例如：

合并两个图像中的所有非黑像素。
提取两个图像共有的区域和独有的区域。
实现某些特殊的图像融合效果。

下面是一个使用 cv2.bitwise_or 函数的简单示例：

import cv2
import numpy as np# 读取或创建两个图像
image1 = cv2.imread('image1.png', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('image2.png', cv2.IMREAD_GRAYSCALE)# 确保两个图像大小相同
# 如果需要，可以使用 cv2.resize() 函数调整图像大小# 应用位运算OR
result = cv2.bitwise_or(image1, image2)# 显示结果
cv2.imshow('Result of Bitwise OR', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，image1 和 image2 是两个单通道灰度图像。cv2.bitwise_or 函数将这两个图像进行逐元素的 OR 运算，并将结果存储在 result 中。
在这里插入图片描述

位运算XOR

cv2.bitwise_xor 函数是 OpenCV 库中用于执行逐元素位逻辑“异或”（XOR）运算的函数。这个操作比较两个输入数组的对应元素，并根据比较结果计算输出数组的元素值。位运算 XOR 的基本原则是：

如果两个比较位中的一个为1而另一个为0，结果位为1。
如果两个比较位相同（都为1或都为0），结果位为0。

在图像处理的上下文中，cv2.bitwise_xor 函数的行为如下：

如果 image1 和 image2 中相应位置的像素值中只有一个大于0（例如一个为白色而另一个为黑色），那么输出图像中对应位置的像素值将被设置为最大值（通常是255，代表白色）。
如果 image1 和 image2 中相应位置的像素值都是0（黑色）或者都是非零值（白色），那么输出图像中对应位置的像素值将被设置为0（黑色）。

这种操作在图像处理中可以用于多种目的，例如：

比较两个图像的差异。
从两个图像中提取相互独立的区域。
实现某些特殊的图像融合效果。

下面是一个使用 cv2.bitwise_xor 函数的简单示例：

import cv2
import numpy as np# 读取或创建两个图像
image1 = cv2.imread('image1.png', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('image2.png', cv2.IMREAD_GRAYSCALE)# 确保两个图像大小相同
# 如果需要，可以使用 cv2.resize() 函数调整图像大小# 应用位运算XOR
result = cv2.bitwise_xor(image1, image2)# 显示结果
cv2.imshow('Result of Bitwise XOR', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，image1 和 image2 是两个单通道灰度图像。cv2.bitwise_xor 函数将这两个图像进行逐元素的 XOR 运算，并将结果存储在 result 中。然后，我们使用 cv2.imshow 函数显示结果图像。

两个矩形重叠的区域被移除（黑色），因为在这个区域中两个像素都大于0：
在这里插入图片描述

位运算NOT

cv2.bitwise_not 函数是 OpenCV 库中用于执行逐元素位逻辑“非”（NOT）运算的函数。这个操作通常被称为位求反或位翻转，它将输入数组中的每个像素的位进行翻转：将0变为1，将1变为0。在图像处理中，这个操作可以用来反转图像的颜色，即把白色变成黑色，把黑色变成白色。

位运算 NOT 的基本原则是：

如果输入位是0（零），则结果位是1（一）。
如果输入位是1（一），则结果位是0（零）。

在图像处理的上下文中，cv2.bitwise_not 函数的行为如下：

如果输入图像中的像素值为0（黑色），那么输出图像中对应位置的像素值将被设置为最大值（通常是255，代表白色）。
如果输入图像中的像素值大于0（白色或其他颜色），那么输出图像中对应位置的像素值将被设置为0（黑色）。

这种操作在图像处理中可以用于创建图像的负片效果，或者在某些特殊情况下作为图像预处理步骤。

下面是一个使用 cv2.bitwise_not 函数的简单示例：

import cv2
import numpy as np![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/fd7499108e1f4a8595ada89dade36c95.png)# 显示结果
cv2.imshow('Result of Bitwise NOT', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，image 是一个单通道灰度图像。cv2.bitwise_not 函数将这个图像进行逐元素的 NOT 运算，这个操作将反转图像中的所有像素值，创建一个负片效果：
在这里插入图片描述

图像掩码

图像掩码是一种用于控制图像中哪些部分应该被处理或忽略的技术。掩码通常是一个与原始图像大小相同的二值图像，其中像素值通常是0或255（或其他与图像深度相对应的最大值）。掩码可以用于多种目的，包括但不限于图像编辑、特征提取、对象选择和图像融合。

掩码的一些主要用途：

区域选择：
掩码可以用来选择图像中的特定区域。例如，如果你只对图像中的某个对象感兴趣，你可以创建一个掩码，其中该对象是白色（255）的，其余部分是黑色（0）的。然后，你可以使用这个掩码与原始图像进行位运算，如AND运算，以仅保留你感兴趣的对象。
图像编辑：
掩码可以用于图像编辑中，例如在原始图像上添加文本或图形元素。你可以创建一个包含所需编辑的掩码，然后将其与原始图像合并。
图像融合：
在图像融合中，掩码可以用来决定不同图像之间的哪些部分应该可见。例如，你可以使用掩码将两个图像的重叠区域混合在一起，而保留其他区域的原始外观。
对象检测和分割：
掩码可以用于对象检测和分割任务中，通过识别和隔离感兴趣的对象或特征。这通常涉及到图像分割算法，它们可以根据像素值或颜色信息创建掩码。
图像预处理：
在某些图像预处理步骤中，掩码可以用来忽略不相关的图像部分，例如背景，而只关注前景中的特定元素。

moon = cv2.imread("moon.jpg")# 创建一个与我们的图像相同大小的黑色图像，然后创建一个白色圆形mask = np.zeros(moon.shape[:2], dtype="uint8")cv2.circle(mask, (202, 133), 34, 255, -1)# 将掩蔽应用到图像
masked = cv2.bitwise_and(moon, moon, mask=mask)cv2.imshow("moon", moon)cv2.imshow("mask", mask)cv2.imshow("Mask applied to image", masked)cv2.waitKey(0)