OpenCV图像算术运算实战：从原理到应用

1. OpenCV图像算术运算实战指南

在计算机视觉项目中，图像算术运算是最基础却最常用的技术之一。作为一名长期使用OpenCV的开发人员，我发现很多初学者虽然能调用几个运算函数，却不理解背后的原理和实际应用场景。今天，我将通过具体案例，带你深入掌握这些看似简单却功能强大的运算方法。

图像算术运算本质上是对图像矩阵的数学操作，包括加减乘除和位运算。不同于普通的数值计算，图像运算需要考虑像素范围（0-255）、数据类型（uint8/float32）和通道数等特性。掌握这些运算，你就能实现图像融合、运动检测、特效制作等实用功能。

1.1 准备工作与环境配置

在开始之前，我们需要确保环境配置正确。我推荐使用Python 3.8+和OpenCV 4.5+版本，这是目前最稳定的组合。安装命令很简单：

bash复制pip install opencv-python numpy matplotlib

验证安装是否成功：

python复制import cv2
print(cv2.__version__)  # 应该显示4.5.0或更高版本

注意：OpenCV默认读取的图像是BGR格式而非RGB，这在显示和运算时需要特别注意。我建议在项目开始时统一转换，避免后续混淆。

准备两张测试图像，一张风景照（如image1.jpg）和一张人物照（如image2.jpg），尺寸最好相近。如果没有现成的，可以用OpenCV直接生成：

python复制import numpy as np

# 生成纯色图像
image1 = np.zeros((300, 400, 3), dtype=np.uint8)
image1[:,:] = [0, 100, 200]  # BGR格式

# 生成渐变图像
image2 = np.zeros((300, 400, 3), dtype=np.uint8)
for i in range(300):
    image2[i,:] = [i, i, i]

2. 图像加法：从基础到高级应用

2.1 加法原理与饱和处理

图像加法的数学表达式很简单：C(x,y) = A(x,y) + B(x,y)。但实际操作中，当像素值超过255时，处理方式决定了最终效果。

OpenCV的add()函数会自动进行饱和处理（超过255取255），而NumPy的加法会取模（256的余数）。看这个例子：

python复制import cv2
import numpy as np

a = np.array([200], dtype=np.uint8)
b = np.array([100], dtype=np.uint8)

print(cv2.add(a, b))  # 输出：[255]
print(a + b)         # 输出：[44] (因为300%256=44)

在实际项目中，我强烈建议始终使用cv2.add()，除非你明确需要模运算效果。意外的数值溢出会导致图像出现噪点或异常区域。

2.2 加权加法实现图像混合

cv2.addWeighted()是我最常用的函数之一，它能实现两幅图像的线性混合：

python复制blended = cv2.addWeighted(image1, 0.7, image2, 0.3, 0)

这里的参数含义：

• 0.7和0.3是两幅图像的权重，总和不一定为1
• 最后的0是gamma值，用于整体亮度调整

一个实用技巧：当你想突出显示某个对象时，可以先用阈值提取对象区域，然后只在该区域应用高权重混合。我在产品缺陷检测中就经常这样用。

2.3 多图像HDR合成实战

通过多幅不同曝光图像的加法合成，可以实现HDR效果。这里有个简化版的实现：

python复制# 假设有3张不同曝光的图像
images = [img1, img2, img3]  
hdr = np.zeros_like(images[0], dtype=np.float32)

for img in images:
    hdr += img.astype(np.float32)/len(images)

hdr = np.clip(hdr, 0, 255).astype(