歡迎大家來到“Python從零到壹”，在這里我將分享約200篇Python系列文章，帶大家一起去學習和玩耍，看看Python這個有趣的世界，所有文章都將結合案例、代碼和作者的經驗講解，真心想把自己近十年的編程經驗分享給大家，希望對您有所幫助，文章中不足之處也請海涵，Python系列整體框架包括基礎語法10篇、網路爬蟲30篇、可視化分析10篇、機器學習20篇、大資料分析20篇、影像識別30篇、人工智能40篇、Python安全20篇、其他技巧10篇，您的關注、點贊和轉發就是對秀璋最大的支持，知識無價人有情，希望我們都能在人生路上開心快樂、共同成長，

該系列文章主要講解Python OpenCV影像處理和影像識別知識，前期主要講解影像處理基礎知識、OpenCV基礎用法、常用影像繪制方法、影像幾何變換等，中期講解影像處理的各種運算，包括影像點運算、形態學處理、影像銳化、影像增強、影像平滑等，后期研究影像識別、影像分割、影像分類、影像特效處理以及影像處理相關應用，

上一篇文章介紹了如何使用OpenCV繪制各類幾何圖形，包括cv2.line()、v2.circle()、cv2.rectangle()、cv2.ellipse()、cv2.polylines()、cv2.putText()函式，這篇文章將詳細講解影像演算法運算與邏輯運算，包括影像加法、影像減法、影像與運算、影像或運算、影像非運算與影像異或運算，讓我們來對比下這些運算在影像中能實作什么樣的效果，希望文章對您有所幫助，如果有不足之處，還請海涵，

下載地址：

• https://github.com/eastmountyxz/Python-zero2one

前文賞析：

第一部分 基礎語法

• [Python從零到壹] 一.為什么我們要學Python及基礎語法詳解
• [Python從零到壹] 二.語法基礎之條件陳述句、回圈陳述句和函式
• [Python從零到壹] 三.語法基礎之檔案操作、CSV檔案讀寫及面向物件

第二部分 網路爬蟲

• [Python從零到壹] 四.網路爬蟲之入門基礎及正則運算式抓取博客案例
• [Python從零到壹] 五.網路爬蟲之BeautifulSoup基礎語法萬字詳解
• [Python從零到壹] 六.網路爬蟲之BeautifulSoup爬取豆瓣TOP250電影詳解
• [Python從零到壹] 七.網路爬蟲之Requests爬取豆瓣電影TOP250及CSV存盤
• [Python從零到壹] 八.資料庫之MySQL基礎知識及操作萬字詳解
• [Python從零到壹] 九.網路爬蟲之Selenium基礎技術萬字詳解（定位元素、常用方法、鍵盤滑鼠操作）
• [Python從零到壹] 十.網路爬蟲之Selenium爬取在線百科知識萬字詳解（NLP語料構造必備技能）

第三部分 資料分析和機器學習

• [Python從零到壹] 十一.資料分析之Numpy、Pandas、Matplotlib和Sklearn入門知識萬字詳解(1)
• [Python從零到壹] 十二.機器學習之回歸分析萬字總結全網首發（線性回歸、多項式回歸、邏輯回歸）
• [Python從零到壹] 十三.機器學習之聚類分析萬字總結全網首發（K-Means、BIRCH、層次聚類、樹狀聚類）
• [Python從零到壹] 十四.機器學習之分類演算法三萬字總結全網首發（決策樹、KNN、SVM、分類演算法對比）
• [Python從零到壹] 十五.文本挖掘之資料預處理、Jieba工具和文本聚類萬字詳解
• [Python從零到壹] 十六.文本挖掘之詞云熱點與LDA主題分布分析萬字詳解
• [Python從零到壹] 十七.可視化分析之Matplotlib、Pandas、Echarts入門萬字詳解
• [Python從零到壹] 十八.可視化分析之Basemap地圖包入門詳解
• [Python從零到壹] 十九.可視化分析之熱力圖和箱圖繪制及應用詳解
• [Python從零到壹] 二十.可視化分析之Seaborn繪圖萬字詳解
• [Python從零到壹] 二十一.可視化分析之Pyechart繪圖萬字詳解
• [Python從零到壹] 二十二.可視化分析之OpenGL繪圖萬字詳解
• [Python從零到壹] 二十三.十大機器學習演算法之決策樹分類分析詳解(1)
• [Python從零到壹] 二十四.十大機器學習演算法之KMeans聚類分析詳解(2)
• [Python從零到壹] 二十五.十大機器學習演算法之KNN演算法及影像分類詳解(3)
• [Python從零到壹] 二十六.十大機器學習演算法之樸素貝葉斯演算法及文本分類詳解(4)
• [Python從零到壹] 二十七.十大機器學習演算法之線性回歸演算法分析詳解(5)
• [Python從零到壹] 二十八.十大機器學習演算法之SVM演算法分析詳解(6)
• [Python從零到壹] 二十九.十大機器學習演算法之隨機森林演算法分析詳解(7)
• [Python從零到壹] 三十.十大機器學習演算法之邏輯回歸演算法及惡意請求檢測應用詳解(8)
• [Python從零到壹] 三十一.十大機器學習演算法之Boosting和AdaBoost應用詳解(9)
• [Python從零到壹] 三十二.十大機器學習演算法之層次聚類和樹狀圖聚類應用詳解(10)

第四部分 Python影像處理基礎

• [Python從零到壹] 三十三.影像處理基礎篇之什么是影像處理和OpenCV配置
• [Python從零到壹] 三十四.OpenCV入門詳解——顯示讀取修改及保存影像
• [Python從零到壹] 三十五.影像處理基礎篇之OpenCV繪制各類幾何圖形
• [Python從零到壹] 三十六.影像處理基礎篇之影像算術與邏輯運算詳解

第五部分 Python影像運算和影像增強

第六部分 Python影像識別和影像處理經典案例

第七部分 NLP與文本挖掘

第八部分 人工智能入門知識

第九部分 網路攻防與AI安全

第十部分 知識圖譜構建實戰

擴展部分 人工智能高級案例

作者新開的“娜璋AI安全之家”將專注于Python和安全技術，主要分享Web滲透、系統安全、人工智能、大資料分析、影像識別、惡意代碼檢測、CVE復現、威脅情報分析等文章，雖然作者是一名技術小白，但會保證每一篇文章都會很用心地撰寫，希望這些基礎性文章對你有所幫助，在Python和安全路上與大家一起進步，

一.影像加法運算

影像加法運算主要有兩種方法，第一種是呼叫Numpy庫實作，目標影像像素為兩張影像的像素之和；第二種是通過OpenCV呼叫add()函式實作，第二種方法的函式原型如下：

• dst = add(src1, src2[, dst[, mask[, dtype]]])
  – src1表示第一張影像的像素矩陣
  – src2表示第二張影像的像素矩陣
  – dst表示輸出的影像，必須和輸入影像具有相同的大小和通道數
  – mask表示可選操作掩碼（8位單通道陣列），用于指定要更改的輸出陣列的元素，
  – dtype表示輸出陣列的可選深度

注意，當兩幅影像的像素值相加結果小于等于255時，則輸出影像直接賦值該結果，如120+48賦值為168；如果相加值大于255，則輸出影像的像素結果設定為255，如(255+64) 賦值為255，下面的代碼實作了影像加法運算，

#coding:utf-8
# By：Eastmount
import cv2  
import numpy as np  
 
#讀取圖片
img = cv2.imread("luo.png")

#影像各像素加100
m = np.ones(img.shape, dtype="uint8")*100

#OpenCV加法運算
result = cv2.add(img, m)

#顯示影像
cv2.imshow("original", img)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出如圖4-1所示，左邊為“小珞珞”的原始影像，右邊為像素值增加100像素后的影像，輸出影像顯示更偏白，

二.影像減法運算

影像減法運算主要呼叫subtract()函式實作，其原型如下所示：

• dst = subtract(src1, src2[, dst[, mask[, dtype]]])
  – src1表示第一張影像的像素矩陣
  – src2表示第二張影像的像素矩陣
  – dst表示輸出的影像，必須和輸入影像具有相同的大小和通道數
  – mask表示可選操作掩碼（8位單通道陣列），用于指定要更改的輸出陣列的元素，
  – dtype表示輸出陣列的可選深度

具體實作代碼如下所示：

#coding:utf-8
# By：Eastmount
import cv2  
import numpy as np  
 
#讀取圖片 
img = cv2.imread("luo.png")

#影像各像素減50
m = np.ones(img.shape, dtype="uint8")*50

#OpenCV減法運算
result = cv2.subtract(img, m)

#顯示影像
cv2.imshow("original", img)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出如圖4-2所示，左邊為原始影像，右邊為像素值減少50像素后的影像，輸出影像顯示更偏暗，

三.影像與運算

與運算是計算機中一種基本的邏輯運算方式，符號表示為“&”，其運算規則為：

• 0&0=0
• 0&1=0
• 1&0=0
• 1&1=1

影像的與運算是指兩張影像（灰度影像或彩色影像均可）的每個像素值進行二進制“與”操作，實作影像裁剪，

• dst = bitwise_and(src1, src2[, dst[, mask]])
  – src1表示第一張影像的像素矩陣
  – src2表示第二張影像的像素矩陣
  – dst表示輸出的影像，必須和輸入影像具有相同的大小和通道數
  – mask表示可選操作掩碼（8位單通道陣列），用于指定要更改的輸出陣列的元素，

下面代碼是通過影像與運算實作影像剪裁的功能，

#coding:utf-8
# By：Eastmount
import cv2  
import numpy as np  
 
#讀取圖片 
img = cv2.imread("luo.png", cv2.IMREAD_GRAYSCALE)

#獲取影像寬和高
rows, cols = img.shape[:2]
print(rows, cols)

#畫圓形
circle = np.zeros((rows, cols), dtype="uint8")
cv2.circle(circle, (int(rows/2),int(cols/2)), 100, 255, -1)
print(circle.shape)
print(img.size, circle.size)

#OpenCV影像與運算
result = cv2.bitwise_and(img, circle)

#顯示影像
cv2.imshow("original", img)
cv2.imshow("circle", circle)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出如圖4-3所示，原始影像與圓形進行與運算之后，提取了其中心輪廓，同時輸出影像的形狀為377×326，注意，兩張影像的大小和型別必須一致，

四.影像或運算

邏輯或運算是指如果一個運算元或多個運算元為 true，則邏輯或運算子回傳布林值 true；只有全部運算元為false，結果才是 false，影像的或運算是指兩張影像（灰度影像或彩色影像均可）的每個像素值進行二進制“或”操作，實作影像裁剪，其函式原型如下所示：

• dst = bitwise_or(src1, src2[, dst[, mask]])
  – src1表示第一張影像的像素矩陣
  – src2表示第二張影像的像素矩陣
  – dst表示輸出的影像，必須和輸入影像具有相同的大小和通道數
  – mask表示可選操作掩碼（8位單通道陣列），用于指定要更改的輸出陣列的元素，

下面代碼是通過影像或運算實作影像剪裁的功能，

#coding:utf-8
# By：Eastmount
import cv2  
import numpy as np  
 
#讀取圖片 
img = cv2.imread("luo.png", cv2.IMREAD_GRAYSCALE)

#獲取影像寬和高
rows, cols = img.shape[:2]

#畫圓形
circle = np.zeros((rows, cols), dtype="uint8")
cv2.circle(circle, (int(rows/2),int(cols/2)), 100, 255, -1)

#OpenCV影像或運算
result = cv2.bitwise_or(img, circle)

#顯示影像
cv2.imshow("original", img)
cv2.imshow("circle", circle)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出如圖4-4所示，原始影像與圓形進行或運算之后，提取了影像除中心原形之外的像素值，

五.影像非運算

影像非運算就是影像的像素反色處理，它將原始影像的黑色像素點轉換為白色像素點，白色像素點則轉換為黑色像素點，其函式原型如下：

• dst = bitwise_not(src1, src2[, dst[, mask]])
  – src1表示第一張影像的像素矩陣
  – src2表示第二張影像的像素矩陣
  – dst表示輸出的影像，必須和輸入影像具有相同的大小和通道數
  – mask表示可選操作掩碼（8位單通道陣列），用于指定要更改的輸出陣列的元素，

影像非運算的實作代碼如下所示，

#coding:utf-8
import cv2  
import numpy as np  
 
#讀取圖片 
img = cv2.imread("Lena.png", cv2.IMREAD_GRAYSCALE)

#OpenCV影像非運算
result = cv2.bitwise_not(img)

#顯示影像
cv2.imshow("original", img)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

原始影像非運算之后輸出如圖4-5所示，

六.影像異或運算

邏輯異或運算（xor）是一個數學運算子，數學符號為“⊕”，計算機符號為“xor”，其運演算法則為：如果a、b兩個值不相同，則異或結果為1；如果a、b兩個值相同，異或結果為0，

影像的異或運算是指兩張影像（灰度影像或彩色影像均可）的每個像素值進行二進制“異或”操作，實作影像裁剪，其函式原型如下所示：

• dst = bitwise_xor(src1, src2[, dst[, mask]])
  – src1表示第一張影像的像素矩陣
  – src2表示第二張影像的像素矩陣
  – dst表示輸出的影像，必須和輸入影像具有相同的大小和通道數
  – mask表示可選操作掩碼（8位單通道陣列），用于指定要更改的輸出陣列的元素，

影像異或運算的實作代碼如下所示，

#coding:utf-8
# By：Eastmount
import cv2  
import numpy as np  
 
#讀取圖片 
img = cv2.imread("luo.png", cv2.IMREAD_GRAYSCALE)

#獲取影像寬和高
rows, cols = img.shape[:2]

#畫圓形
circle = np.zeros((rows, cols), dtype="uint8")
cv2.circle(circle, (int(rows/2),int(cols/2)), 100, 255, -1)

#OpenCV影像異或運算
result = cv2.bitwise_xor(img, circle)

#顯示影像
cv2.imshow("original", img)
cv2.imshow("circle", circle)
cv2.imshow("result", result)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

原始影像與圓形進行異或運算之后輸出如圖4-6所示，

七.總結

本文詳細介紹了影像處理的算術運算與邏輯運算，包括影像加法、影像減法、影像與運算、影像或運算、影像非運算與影像異或運算，并以“小珞珞”影像為案例進行講解，希望對您有所幫助，

感謝在求學路上的同行者，不負遇見，勿忘初心，影像處理系列主要包括三部分，分別是：

這周的留言感慨～

十二年CSDN的博客分享，如果要說分享最讓我開心的是什么？不是傳道，不是授業，也不是解惑，而是接下來這類事，這些年已經陸續鼓勵了一些朋友當老師，而昨天得知這一位博友真的去到新疆南疆成為了一名小學老師，我很是感動，是真的感動，六年前我曾鼓勵他如果想，就放棄高額工資的互聯網大廠，去做自己想做的，沒想到已經當了四年老師，又當爹又當媽，國語普及，文化教育，這里面的艱辛不是一兩句道得清，除了佩服就是鼓勵，
正如你說的一樣，“一輩子總得做點有意義的事情，生命實在太短暫，一定要活得積極、正面”，或許，這也是我在CSDN分享博客的最大意義，再比如云南那位老友的留言，“農村的孩子下雨沒有傘，只能拼命奔跑”，希望你以后也能成為一名教師，感恩有你們，感謝有你們，我也希望自己早日畢業回到家鄉，花上三四十年做好兩件事，一是認真教書，二是將少數民族文物搶救和文字語音保護做好，也鼓勵更多人一起加入進來，自己雖然很菜吧，但還是有一些喜歡的事，尤其陪伴愛的人，挺好，愛你們喔，2022年繼續加油，在CSDN分享更高質量的博客和專欄，

(By:娜璋之家 Eastmount 2022-01-25 夜于貴陽 https://blog.csdn.net/Eastmount )