【P38 6】OpenCV Python——图片的运算（算术运算、逻辑运算）加法add、subtract减法、乘法multiply、除法divide

1 加法运算

1.1 加法运算示例add

import cv2
import numpy as np

dog=cv2.imread('dog.jpeg')

h=dog.shape[0]//2#//取整除法
w=dog.shape[1]//2

#尺寸太大了，不便展示
dog = cv2.resize(dog, (w,h), interpolation = cv2.INTER_CUBIC)
#dog=dog.resize((200,200))#不知为啥，这个resize是错的，运行一闪而过
print(dog.shape)
cv2.imshow("dog",dog)


img=np.full((h,w,3),50,np.uint8)#生成每个像素的RGB值都是(50,50,50)的灰色图像
result=cv2.add(dog,img)

#直接相加，效果不好
dog2=dog+img

#显示
cv2.imshow("img",img)
cv2.imshow("result",result)
cv2.imshow("dog2",dog2)#直接相加，效果不好

key=cv2.waitKey(0)

add函数相加（饱和运算）：效果（左）
直接相加（模运算），效果不好（右）

1.2 cv2.add() 和直接相加 对比

在OpenCV中，cv2.add() 和直接相加 (+) 是两种不同的图像像素值相加方式，主要区别在于数值处理机制：

‌ 1 cv2.add() 函数‌：

• 饱和运算（Saturation Arithmetic）：
  • 计算结果超过255时自动截断为255；
  • 例：200 + 100 = 255；
• 保证结果始终在0-255范围内；
• 适合图像混合/叠加操作；
  2‌ 直接相加 (+)‌：
• 模运算（Modulo Arithmetic）：
  • 计算结果超过255时会取模（256取余）；
  • 例：200 + 100 = 300 % 256 = 44；
• 产生非预期的颜色循环效果；
• 通常需要手动处理溢出（如 np.clip(dog+img, 0, 255)）；

2 减法

img=np.full((h,w,3),50,np.uint8)
add_img=cv2.add(dog,img)#加
subtract_img=cv2.subtract(dog,img)#减

#显示
cv2.imshow("img",img)
cv2.imshow("add_img",add_img)
cv2.imshow("subtract_img",subtract_img)

原图

左加，右减；

结论:
加运算，图片更亮；
减运算，图片更暗；

完整代码

import cv2
import numpy as np

dog=cv2.imread('dog.jpeg')

h=dog.shape[0]//2#//取整除法
w=dog.shape[1]//2

#尺寸太大了，不便展示
dog = cv2.resize(dog, (w,h), interpolation = cv2.INTER_CUBIC)
#dog=dog.resize((200,200))#不知为啥，这个resize是错的，运行一闪而过
print(dog.shape)
cv2.imshow("dog",dog)


img=np.full((h,w,3),50,np.uint8)
add_img=cv2.add(dog,img)#加
subtract_img=cv2.subtract(dog,img)#减

#显示
cv2.imshow("img",img)
cv2.imshow("add_img",add_img)
cv2.imshow("subtract_img",subtract_img)

key=cv2.waitKey(0)

3 乘法multiply，除法divide

import cv2
import numpy as np

dog=cv2.imread('dog.jpeg')

h=dog.shape[0]//2#//取整除法
w=dog.shape[1]//2

#尺寸太大了，不便展示
dog = cv2.resize(dog, (w,h), interpolation = cv2.INTER_CUBIC)
#dog=dog.resize((200,200))#不知为啥，这个resize是错的，运行一闪而过
print(dog.shape)
cv2.imshow("dog",dog)

img=np.full((h,w,3),50,np.uint8)#生成每个像素的RGB值都是(50,50,50)的灰色图像



#乘法运算（亮度增强效果）
mult_img = cv2.multiply(dog, 1.5) # 1.5倍亮度提升 
cv2.imshow("Multiplication", mult_img)

# 除法运算（需添加微小常量防除零）
divide51_img = cv2.divide(dog, img + 1) # 避免除数为0 
cv2.imshow("Division/51", divide51_img)

#标准化除法（更可视化的结果）
normalized_div = cv2.divide(dog, img + 1, scale=100) # 缩放结果 
cv2.imshow("Normalized Division", normalized_div)

#加权乘法（矩阵元素级）
matrix_mult = cv2.multiply(dog, np.array([0.8, 1.2, 0.9], dtype=np.float32)) 
cv2.imshow("Channel Weighted Multiply", matrix_mult)


key=cv2.waitKey(0)

下面是对上面代码关键部分的解释

3.1 乘法运算（亮度增强）

mult_img = cv2.multiply(dog, 1.5)  # 1.5倍亮度提升

• 原理‌： 对每个像素的BGR通道值执行标量乘法
• 运算规则‌：
  • 采用饱和运算：结果 = min(原始值 × 1.5, 255)；
  • 例如：原像素值100 → 100×1.5=150（正常显示）；
  • 原像素值200 → 200×1.5=300 → 截断为255；
• 效果‌： 整体亮度提升，高光区域可能出现过曝；
  

3.2. 基础除法运算 （需添加常量防除零）

divide_img = cv2.divide(dog, img + 1)  # img是50的灰度图

• 运算过程‌：
  • 除数： img + 1 = 51（所有像素值）；
  • 计算公式： 结果 = dog / 51；
  • 典型计算： 原像素值100 → 100/51≈1.96 → 转换为uint8后=1（几乎全黑）；
• ‌全黑原因‌：
  • 原始图像像素值范围（0-255）除以51后结果范围（0-5）；
  • 转换为uint8类型时，小于1的值显示为0（纯黑）；

3.3. 标准化除法改进 （更可视化的结果）

将除法的结果 再乘以 scale 倍率。

normalized_div = cv2.divide(dog, img + 1, scale=100)

改进原理‌：

• scale参数作为乘数：结果 = 100 × (dog/51)
• 使输出值范围扩大到0-500，但：
  • 仍会被截断到255（uint8限制）
  • 实际效果：100/51×100≈196（可见灰度）

3.4. 通道加权乘法（矩阵元素级）

通道加权乘法： 每个通道乘以不同的系数；

matrix_mult = cv2.multiply(dog, [0.8,1.2,0.9])

‌特殊效果‌：

• B通道×0.8（削弱蓝色）
• G通道×1.2（增强绿色）
• R通道×0.9（轻微削弱红色）

‌应用场景‌： 色彩平衡调整；

3.5 除法再探究

下面两种代码，都是每个通道除以5的意思，结果一样

divide_45_img = cv2.divide(dog, img - 45) 
cv2.imshow("Division-45", divide_45_img)

divide5_img = cv2.divide(dog, 5) 
cv2.imshow("Division/5", divide5_img)