我在Vscode学OpenCV 图像运算（权重、逻辑运算、掩码、位分解、数字水印）

权重 _ 要求两幅图像是相同大小的。

如果做的是普通的水印直接用水印就好了

再上一篇对于加法运算的了解，我们应该想想，在优先保留更多的图片有效信息的情况下，我们就应当对图像某一区域进行加法饱和或者模运算的限制，或者对某种类型和通道进行特殊限制。

要求

1. 输入图像：需要两个输入图像，它们的大小和类型必须相同。

2. 权重：每个输入图像都需要一个相应的权重。这些权重决定了每个像素从每个输入图像中获取的贡献。

3. gamma校正：这是一个可选参数，用于调整输出图像的亮度。

dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)
1

• src1：第一个输入图像。
• alpha：第一个图像的权重。
• src2：第二个输入图像。
• beta：第二个图像的权重。
• gamma：一个添加到输出图像的标量值（必写项，不可省略，0也得在函数中标清）。

注意，alpha和beta的值通常在0到1之间，gamma通常设置为0或者。

[ 1 ] 以数据说话

用Jupyter notebook做

如果你在cv.addweighted()函数中整数运算使用了浮点数权重，那么结果会被四舍五入到最接近的整数。

如果一个图像的权重大于另一个图像，那么在输出图像中，权重大的图像会更显眼。换句话说，权重大的图像对输出图像的影响更大。例如，如果你有两个图像 img1 和 img2,你可以使用 cv.addweighted(img1, 0.7,img2,0.3,0) 来创建一个新的图像，其中img1的内容会比img2的内容更显眼，因为 img1的权重(0.7)大于img2的权重(0.3) 。

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img1 = np.random.randint(0,255,(3,3),dtype=np.uint8)
img1
1
2
3
4
5
6

img2 = np.random.randint(0,255,(3,3),dtype=np.uint8)
img2
1
2

imgx=cv.addWeighted(img1,0.3,img2,0.7,0)
imgx
1
2

（ 1） 最终：

如果你在cv.addweighted()函数中使用了浮点数权重，那么结果会被四舍五入到最接近的整数。

（ 2 ）gamma _输出图像的标量值

在 cv.addweighted（）函数中，gamma是一个标量值，它被添加到最终的加权和中。这个函数的完整公式是: dst = src1*alpha + src2*beta +gaa

在这个公式中,src1和src2是输入图像,α和β是它们的权重,γ是一个标量的值。

gamma 的主要作用是调整输出图像的亮度。
如果 gamma 的值大于0，输出图像会变亮；
如果 gamma 的值小于0，输出图像会变暗；
如果 gamma 的值等于0，输出图像的亮度不变。
1
2
3
4

所以，你可以通过调整 gamma 的值来调整输出图像的亮度。

[ 2 ] 图像的展现力

gamma并不等同于增加曝光度

虽然增加 gamma 值可以使图像看起来更亮，但这并不等同于增加曝光度。
在摄影中，曝光度是指相机传感器接收到的光的量。增加曝光度通常意味着更长的快门速度或更大的光圈，使更多的光进入相机。

gamma值的调整更像是在图像已经被拍摄和处理之后,对图像的亮度进行后期调整。
增加gamma值会使所有的像素值变得更亮，但并不会改变图像的对比度或颜色平衡，这与增加曝光度的效果是不同的。
所以，虽然增加 gamma 值可以使图像看起来更亮，但这并不等同于增加曝光度。

（ 1 ）gamma=100

（ 2 ）gamma = -100

逻辑运算

【1】用 cv2.bitwise_and()函数来实现按位与运算

dst = cv2.bitwise_and( src1, src2[, mask]]

dst 表示与输入值具有同样大小的 array 输出值。
src1 表示第一个 array 或 scalar 类型的输入值。
src2 表示第二个 array 或 scalar 类型的输入值。
mask 表示可选操作掩码，8 位单通道 array。

按位与操作有如下特点：
（1）将任何数值 N 与数值 0 进行按位与操作，都会得到数值 0。
（2） 将任何数值 N（这里仅考虑 8 位值）与数值 255（8 位二进制数是 1111 1111）进行按位与操作，都会得到数值 N 本身

[ 1 ] 对比函数和逻辑运算符

（1）速度

import cv2
import numpy as np
import timeit

a = np.random.randint(0,255,(1000,1000),dtype=np.uint8)
b = np.zeros((1000,1000),dtype=np.uint8)
b[0:500,0:500] = 255
b[999,999] = 255

start = timeit.default_timer()
c = cv2.bitwise_and(a,b)
end = timeit.default_timer()
print("cv2.bitwise_and time: ", end - start)

start = timeit.default_timer()
d = a & b
end = timeit.default_timer()
print("& operation time: ", end - start)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

（2）array展示

import cv2
import numpy as np
a=np.random.randint(0,255,(5,5),dtype=np.uint8)
b=np.zeros((5,5),dtype=np.uint8)
b[0:3,0:3]=255
b[4,4]=255
c=cv2.bitwise_and(a,b)
d=a&b
print("a=\n",a)
print("b=\n",b)
print("c=\n",c)
print("d=\n",d)
1
2
3
4
5
6
7
8
9
10
11
12

[ 2 ] 创造一个掩码

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
imgx = cv.imread("Pic/test_img.jpg")

# 创建一个掩码，大小和图像一样，类型为uint8，初始值全为255
mask = np.ones(imgx.shape[:2], dtype="uint8") * 255

# 获取图像的中心坐标
h, w = imgx.shape[:2]
center_h, center_w = h // 2, w // 2

# 将掩码的中心部分设置为0，创建一个小的黑色方块
size = 50  # 方块的大小
mask[center_h - size:center_h + size, center_w - size:center_w + size] = 0

# 使用掩码
masked = cv.bitwise_and(imgx, imgx, mask=mask)

# 显示原图和添加掩码后的图像
plt.subplot(1, 2, 1)
plt.imshow(cv.cvtColor(imgx, cv.COLOR_BGR2RGB))
plt.title('Original Image')

plt.subplot(1, 2, 2)
plt.imshow(cv.cvtColor(masked, cv.COLOR_BGR2RGB))
plt.title('Masked Image')

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

plt.subplot()是matplotlib库中的一个函数

函数的格式是plt.subplot(nrows, ncols, index)

• nrows和ncols是子图的行数和列数。例如，nrows=1和ncols=2表示创建一个1行2列的子图网格。

• index是子图的索引，用于指定当前活动的子图。索引从1开始，从左到右，从上到下。例如，index=1表示第一个子图，index=2表示第二个子图。

所以，plt.subplot(1, 2, 1)表示创建一个1行2列的子图网格，并选择第一个子图为当前活动的子图。你可以在这个子图上进行绘图操作，例如plt.plot()或plt.imshow()等。

masked = cv.bitwise_and(imgx, imgx, mask=mask)

bitwise_and函数对两个图像进行位运算的AND操作，mask参数指定了一个掩码，只有掩码为非零的部分才会被计算。

掩码（Mask）在图像处理中通常被用来指定对图像的某些部分进行操作，而忽略其他部分。

【2】用 cv2.bitwise_or()函数来实现按位或运算

dst = cv2.bitwise_or( src1, src2[, mask]] )
式中：
 dst 表示与输入值具有同样大小的 array 输出值。
 src1 表示第一个 array 或 scalar 类型的输入值。
 src2 表示第二个 array 或 scalar 类型的输入值。
 mask 表示可选操作掩码，8 位单通道 array 值

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 创建两个简单的图像
img1 = np.zeros((300, 300), dtype="uint8")
cv.rectangle(img1, (50, 50), (250, 250), 255, -1)
img2 = np.zeros((300, 300), dtype="uint8")
cv.circle(img2, (150, 150), 100, 255, -1)

# 使用cv2.bitwise_or()函数将两个图像合并
bitwise_or = cv.bitwise_or(img1, img2)

# 显示原图和合并后的图像
plt.subplot(1, 3, 1)
plt.imshow(img1, cmap='gray')
plt.title('Image 1')

plt.subplot(1, 3, 2)
plt.imshow(img2, cmap='gray')
plt.title('Image 2')

plt.subplot(1, 3, 3)
plt.imshow(bitwise_or, cmap='gray')
plt.title('Image after bitwise_or')

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

【3】cv2.bitwise_not()来实现按位取反操作

dst = cv2.bitwise_not( src[, mask]] )
1

 dst 表示与输入值具有同样大小的 array 输出值。
 src 表示 array 类型的输入值。
 mask 表示可选操作掩码，8 位单通道 array 值

如果你有一个二进制数1101，按位取反后，它会变成0010。

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
imgx = cv.imread("Pic/test_img.jpg")

# 对图像进行按位取反操作
imgx_not = cv.bitwise_not(imgx)

# 再次对图像进行按位取反操作
imgx_not_not = cv.bitwise_not(imgx_not)

# 显示原图、第一次取反后的图像和第二次取反后的图像
plt.subplot(1, 3, 1)
plt.imshow(cv.cvtColor(imgx, cv.COLOR_BGR2RGB))
plt.title('Original Image')

plt.subplot(1, 3, 2)
plt.imshow(cv.cvtColor(imgx_not, cv.COLOR_BGR2RGB))
plt.title('Image after first bitwise_not')

plt.subplot(1, 3, 3)
plt.imshow(cv.cvtColor(imgx_not_not, cv.COLOR_BGR2RGB))
plt.title('Image after second bitwise_not')

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

【4】cv2.bitwise_xor()来实现按位异或运算

dst = cv2.bitwise_xor( src1, src2[, mask]] )

式中：
 dst 表示与输入值具有同样大小的 array 输出值。
 src1 表示第一个 array 或 scalar 类型的输入值。
 src2 表示第二个 array 或 scalar 类型的输入值。
 mask 表示可选操作掩码，8 位单通道 array 值

import cv2
import numpy as np
a=np.random.randint(0,255,(5,5),dtype=np.uint8)
b=np.random.randint(0,255,(5,5),dtype=np.uint8)
b[0:3,0:3]=255
b[4,4]=255
c=cv2.bitwise_xor(a,b)
d=a^b


print("a=\n",a)
print("b=\n",b)
print("c=\n",c)
print("d=\n",d)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 创建两个简单的图像
img1 = np.zeros((300, 300), dtype="uint8")
cv.rectangle(img1, (50, 50), (250, 250), 255, -1)
img2 = np.zeros((300, 300), dtype="uint8")
cv.circle(img2, (150, 150), 100, 255, -1)

# 使用cv2.bitwise_xor()函数将两个图像合并
bitwise_xor = cv.bitwise_xor(img1, img2)

# 显示原图和合并后的图像
plt.subplot(1, 3, 1)
plt.imshow(img1, cmap='gray')
plt.title('Image 1')

plt.subplot(1, 3, 2)
plt.imshow(img2, cmap='gray')
plt.title('Image 2')

plt.subplot(1, 3, 3)
plt.imshow(bitwise_xor, cmap='gray')
plt.title('Image after bitwise_xor')

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

可以用其简单的加密

找到合适的“密码”
一次异或操作为加密兔
二次拿着加密密码解码

掩模（也被称作掩码）

用于屏蔽模板的灰度图像

# ，操作只会在掩模值为非空的像素点上执行，并将其他像素点的值置为0。
计算结果=cv2.add(参数 1 , 参数 2 , 掩模)
1
2

cv2.add(img1, img2, mask=mask)函数将img1和img2中对应的像素值相加，结果存储在img3中。但是，只有mask中值为1的位置才会被计算，mask中值为0的位置将被忽略

import cv2
import numpy as np

# 创建两个图像和一个掩码
img1 = np.ones((4,4), dtype=np.uint8) * 10
img2 = np.ones((4,4), dtype=np.uint8) * 20
mask = np.zeros((4,4), dtype=np.uint8)
mask[2:4, 2:4] = 1

# 创建一个初始值全为66的图像
img3 = np.ones((4,4), dtype=np.uint8) * 66

print("img1=\n", img1)
print("img2=\n", img2)
print("mask=\n", mask)
print("初始值 img3=\n", img3)

# 使用掩码将img1和img2中对应的像素值相加，结果存储在img3中
img3 = cv2.add(img1, img2, mask=mask)

print("求和后 img3=\n", img3)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

位平面分解

位平面分解是一种将数字图像分解成多个二进制位平面的方法。在数字图像中，每个像素通常用几个字节表示，每个字节由8个二进制位组成。位平面分解通过将每个像素的二进制表示拆分成各个位（或者称为二进制平面），从而提取出图像中每个像素的不同位信息。

对于灰度图像，位平面分解通常用于灰度图像。每个像素只有一个8位的强度值，值是一个介于0和255之间的整数，位平面分解就是将这8位二进制数分解为8个单独的位，每个位平面都是一个二值图像，表示原图像中对应位的值。

对于彩色图像，每个像素有三个8位的强度值（通常是红色、绿色和蓝色通道）。值是一个包含三个介于0和255之间的整数的向量，你可以分别对这三个通道进行位平面分解，得到三组位平面。每组位平面都是一个二值图像，表示原图像中对应通道和对应位的值【你可以对每个通道分别进行位平面分解，但这会得到24个位平面，而不是8个。】

【1】用途：

【2】拆解一张照片 和 分解出权重

（1）可视化位平面的内容

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('./img/c1c.jpg', 1)
if img is None:
    print('Failed to load image.')
else:
    # 进行位平面分解
    bit_planes = []
    for i in range(8):
        plane = ((img >> i) & 1) * 255
        bit_planes.append(plane)


    # 显示各个位平面的图像
    for i, plane in enumerate(bit_planes):
        plt.subplot(3, 4, i + 1)
        plt.imshow(plane[:,:,::-1], cmap='gray')
        plt.title(f'Bit plane {i}')
        plt.axis('off')

    # 显示所有位平面的和
    plt.subplot(3, 4, 9)
    plt.axis('off')
    plt.imshow(img[:,:,::-1])
    plt.title('Combined1')
plt.tight_layout()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

（2）保留位平面的原始权重。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('./img/cc.jpg', 1)
if img is None:
    print('Failed to load image.')
else:
    # 进行位平面分解
    bit_planes = []
    for i in range(8):
        plane = ((img >> i) & 1) * (2**i)
        bit_planes.append(plane)

    # 复原位平面
    reconstructed = np.sum(bit_planes, axis=0).astype(np.uint8)

    # 显示各个位平面的图像
    for i, plane in enumerate(bit_planes):
        plt.subplot(3, 4, i + 1)
        plt.imshow(plane[:,:,::-1], cmap='gray')
        plt.title(f'Bit plane {i}')
        plt.axis('off')

    # 显示复原的图像
    plt.subplot(3, 4, 9)
    plt.axis('off')
    plt.imshow(reconstructed[:,:,::-1])
    plt.title('Reconstructed')

plt.tight_layout()
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

（3）区别点： plane = ((img >> i) & 1) * 【255或者（2**i）】它们的处理方式有所不同。

plane = ((img >> i) & 1) * 255这行代码将图像的每个像素值右移i位，然后与1进行位与运算。这样可以得到每个像素值的第i位。然后，这个位值被乘以255，所以结果图像的每个像素值要么是0（如果原像素值的第i位是0），要么是255（如果原像素值的第i位是1）。这样可以清晰地看到每个位平面的内容。

plane = ((img >> i) & 1) * (2**i)这行代码的处理方式类似，但是它将位值乘以2**i而不是255。这意味着结果图像的每个像素值要么是0，要么是2**i。这样可以保留每个位平面的原始权重，但是可能会使得低位平面的内容难以看清，因为低位平面的像素值要么是0，要么是1、2、4等较小的数。

总的来说，plane = ((img >> i) & 1) * 255更适合于可视化位平面的内容，不适用于重新复原图片；而plane = ((img >> i) & 1) * (2**i)更适合于保留位平面的原始权重。

【3】数字水印

如果做的是普通的水印直接用前面提到的水印就好了

最低有效位（LSB）是二进制数的最低位，也就是第0位，用于表示二进制数的最小值。在图像处理中，最低有效位信息隐藏是一种技术，它将一个二值图像嵌入到载体图像的最低有效位中。

这种方法充分利用了最低有效位的特性。当我们将二值图像嵌入到最低有效位层时，对于载体图像来说，这些位的变化微弱到几乎无法被肉眼察觉。由于隐藏的二值图像位于最低有效位上，对载体图像的影响非常不明显，从而实现了较高程度的隐蔽性。

最低有效位信息隐藏技术在图像隐写领域得到广泛应用，可用于保护敏感信息的安全传输。然而需要注意的是，最低有效位信息隐藏是一种相对简单的隐藏方法，容易被一些隐写分析算法检测出来。因此，在实际应用中，可能需要采用更复杂的隐写技术来提高隐蔽性和安全性。

（1）嵌入过程：将载体图像的第 0 个位平面替换为数字水印信息（一幅二值图像），将载体图像的最低有效位所构成的第 0 个位平面提取出来，得到数字水印信息

（1）图像

“最低有效位”位平面

（2）水印处理
在灰度二值图像中，像素值只有 0 和 255 两种类型值，分别用来表示黑色和白色。可以将其中的 255 转换为 1，这样就得到了一幅二进制二值图像。。在二进制二值图像中，仅仅用一个比特位表示一个像素值，像素值只有 0 和 1 两种可能值。

（3）嵌入

由于信息的最低有效位对值的大小影响有限，因此，将载体图像最低有效位的值用水印信息替换后，载体图像像素的值并没有发生太大变化，人眼不足以看出区别，水印具有较高的隐
蔽性

（2）实现

将像素值对 2 取模（或者&1也可以判断），可以获取像素值的最低有效位。因此，可以通过让含水印载体图像对 2 取模的方式，获取图像的“最低有效位”位平面，提取到的位平面即为水印信息

在数字图像处理中，一个像素的值通常是一个范围在0到255之间的整数，这个整数被表示为8位二进制数。在这个二进制数中，最高位（最左边的位）是最重要的，它包含了大部分的像素信息。相反，最低位（最右边的位）是最不重要的，它只包含了一小部分的像素信息。

当我们需要在图像中隐藏某些信息（例如数字水印）时，通常会选择在最低有效位（LSB）中进行隐藏，因为这对原始图像的影响很小，几乎不可见。

我们会使用数字254（二进制表示为11111110）作为一个掩码，将像素值的最低位设置为0。这可以通过按位与运算来实现。按位与运算的规则是，如果两个位都是1，则结果为1，否则为0。因此，当一个像素值（范围在0到255之间的整数）与254进行按位与运算时，结果的最低位总是0，而其他位保持不变。这样就实现了将像素值的最低位设置为0的目的。

您可以将要隐藏的信息（如数字水印）嵌入到这个最低位中。这可以通过按位或运算来实现。按位或运算的规则是，如果两个位中至少有一个是1，则结果为1，否则为0。因此，将您的水印值（0或1）与已经被设置为0的像素值进行按位或运算，如果水印值为1，则结果的最低位为1，否则结果的最低位仍为0。这样就实现了将水印嵌入到像素值的最低位的目的。

数字254在这里的作用是作为一个掩码，用来清除像素值的最低位，以便在该位置上嵌入水印。

（3） 对比

（1）原图：

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
img = cv2.imread('./Pic/test_img.jpg', 1)
img
1
2
3
4
5
6

（2）数字水印后

import cv2
import numpy as np

# 读取图像
img = cv2.imread('./Pic/test_img.jpg', 1)
if img is None:
    print('Failed to load image.')
else:
    # 创建一个简单的水印
    watermark = np.zeros_like(img)
    watermark[:50, :50] = 255  # 前50行和前50列的像素设置为255

    # 将原图像的最低有效位设置为0
    img = img & 0xFE  # 0xFE = 11111110

    # 将水印的最高有效位嵌入到原图像的最低有效位
    img = img | (watermark >> 7)

    # 显示带有水印的图像
    cv2.imshow('Watermarked Image', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

（3）生成元素值都是 254 的数组

马赛克

copyImg1=img1
plt.imshow(copyImg1[:,:,::-1])
for m in range(800,1000):
    for n in range(800,1500):
        if m %10 == 0 and n%10==0:
            for i in range (1,100):
                for j in range (1,100):
                    (b,g,r)=copyImg1[m,n]
                    copyImg1[i+m,j+n]=(b,g,r)
plt.imshow(copyImg1[:,:,::-1])
1
2
3
4
5
6
7
8
9
10

出现的问题

# 掩码
copyImg2=img1
copyImg2[200:300,300:500]=0
plt.imshow(copyImg2[:,:,::-1])
1
2
3
4

问题：依旧会保留马赛克的修改过的样子。
这是因为在Python中，当你将一个变量赋值给另一个变量时，它们实际上引用了同一个对象。所以当你改变一个变量的值时，另一个变量也会受到影响，因为它们指向同一个对象。如果你想要创建一个新的独立副本，你可以使用copy模块中的copy函数或者deepcopy函数。

浅拷贝和深拷贝的区别在于对于嵌套对象的处理方式。浅拷贝创建了一个新的对象，但是其嵌套对象仍然是原始对象中嵌套对象的引用。深拷贝则会递归地复制所有嵌套对象，创建一个全新的拷贝。因此，对于嵌套对象的修改会影响原始对象的浅拷贝，但不会影响深拷贝。