网站主页设计优点营销策划公司 采纳策划

【0】基础定义

按位与运算：全1取1，其余取0。按位或运算：全0取0，其余取1。

【1】引言

前序学习进程中，已经对图像按位与计算进行了详细探究，相关文章链接如下：

python学opencv|读取图像（四十三）使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

python学opencv|读取图像（四十四）原理探究：bitwise_and()函数实现图像按位与运算-CSDN博客

python学opencv|读取图像（四十五）增加掩模：使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

图像的按位与运算，是将各个像素点的BGR值先由十进制转二进制，在二进制环境下进行按位与运算后，再转回十进制的过程。

当三个图像进行按位与运算时，先前两个图像按位与运算，再将按位与运算结果和第三个图像执行按位与运算。

在此基础上，本次文章进一步探究图像的按位或运算。

在按位与运算的学习基础上，不妨大胆猜测图像的按位或运算工作原理：将各个像素点的BGR值先由十进制转二进制，在二进制环境下进行按位或运算后，再转回十进制。

【2】官网教程

点击下方链接，直达按位或运算的官网教程：

OpenCV: Operations on arrays

官网对按位或运算函数cv2.bitwise_or()的解释为：

图1

 在这里，对应的参数意义为：

具体的，参数意义为：

    void cv::bitwise_or     (     InputArray     src1,       #第一个图像
            InputArray     src2,                                        #第二个图像
            OutputArray     dst,                                       #输出图像
            InputArray     mask = noArray() )                  #掩模，单通道数据，可选参数

按位或运算要求数据的大小一致，对于三通道图像，会逐个通道进行按位或运算。

按位或运算的mask掩模参数也要求是单通道的二维矩阵。

【3】代码测试

由于前述对bitwise_and()函数的探究已经足够详细，所以可以直接借用先前代码的大部分内容，稍加修改就能获得bitwise_or()函数的完整代码：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcx.png') #读取图像
dst=src #输出图像
gray_src=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #转化为灰度图
dstg=gray_src #输出图像
print('初始图像像素大小为',src.shape)
print('初始图像灰度图像素大小为',gray_src.shape)# 定义第二个图像
image = np.zeros(src.shape, np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
print('初始图像像素大小为',src.shape)
image[50:350, :, :] = 180  # 行掩模
image[:,120:200,: ] = 255  # 列掩模
image[:, :, 1] = 180  # 第二个通道值#定义掩模矩阵
mask = np.zeros((gray_src.shape), np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
mask[280:350, :] = 155  # 水平区域
mask[:,150:350] = 100  # 竖直区域#按位与运算
img=cv.bitwise_or(src,image) #与运算
img2=cv.bitwise_or(src,image,mask=mask) #与运算#显示BGR值
print("dst像素数为[300,180]位置处的BGR=", dst[300,180])  # 获取像素数为[100,100]位置处的BGR
print("image像素数为[300,180]位置处的BGR=", image[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img像素数为[300,180]位置处的BGR=", img[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img2像素数为[300,180]位置处的BGR=", img2[300,180])  # 获取像素数为[100,100]位置处的BGRa=np.zeros((1,3),np.uint8) #定义矩阵
a=dst[300,180] #将像素点BGR直接赋值给矩阵
b=np.zeros((1,3),np.uint8) #定义矩阵
b=image[300,180] #将像素点BGR直接赋值给矩阵
c=np.zeros((1,3),np.uint8) #定义矩阵
d=np.zeros((1,3),np.uint8) #定义矩阵
d=image[300,180] #将像素点BGR直接赋值给矩阵
e=np.zeros((1,3),np.uint8) #定义矩阵#二进制按位与计算e
for i in range(3): #计数print('a','[0,',i,']=',a[i],'的二进制转化值=', bin(a[i]), '，b=','[0,',i,']=', b[i],'的二进制转化值=',bin(b[i])) #输出二进制转化值c[0,i]=np.bitwise_and(a[i],b[i]) #赋值按位与计算值print('c',[0,i],'=',c[0,i]) #输出按位与计算值print('c','[0,',i,']=',[0,i],'的二进制转化值=', bin(c[0,i]), '，d=','[0,',i,']=', d[i],'的二进制转化值=',bin(d[i])) #输出二进制转化值e[0,i]=np.bitwise_and(c[0,i],d[i]) #赋值按位与计算值print('e',[0,i],'=',e[0,i]) #输出按位与计算值#输出矩阵结果
print('a=',a) #输出矩阵
print('b=',b) #输出矩阵
print('c=',c) #输出矩阵
print('d=',d) #输出矩阵
print('e=',e) #输出矩阵#合并图像
himg=np.hstack((src,img))
himg2=np.hstack((src,img2))
himg3=np.hstack((img,img2))
# 显示和保存定义的图像
cv.imshow('dst', dst)  # 显示图像
cv.imshow('or-img', img)  # 显示图像
cv.imwrite('or-img.png', img)  # 保存图像
cv.imshow('or-img2', img2)  # 显示图像
cv.imwrite('or-img2.png', img2)  # 保存图像
cv.imshow('or-image', image)  # 显示图像
cv.imwrite('or-image.png', image)  # 保存图像
cv.imshow('or-mask', mask)  # 显示图像
cv.imwrite('or-mask.png', mask)  # 保存图像
cv.imshow('or-himg', himg)  # 显示图像
cv.imwrite('or-himg.png', himg)  # 保存图像
cv.imshow('or-himg2', himg2)  # 显示图像
cv.imwrite('or-himg2.png', himg2)  # 保存图像
cv.imshow('or-himg3', himg3)  # 显示图像
cv.imwrite('or-himg3.png', himg3)  # 保存图像
cv.waitKey()  # 图像不关闭
cv.destroyAllWindows()  # 释放所有窗口

代码里给出了两种按位或运算的执行过程，第一个不带掩模参数，第二个带有掩模参数：

#按位与运算
img=cv.bitwise_or(src,image) #与运算
img2=cv.bitwise_or(src,image,mask=mask) #与运算

另外将特定像素点的BGR值按位与运算改为了按位或运算：

#二进制按位与计算e
for i in range(3): #计数print('a','[0,',i,']=',a[i],'的二进制转化值=', bin(a[i]), '，b=','[0,',i,']=', b[i],'的二进制转化值=',bin(b[i])) #输出二进制转化值c[0,i]=np.bitwise_or(a[i],b[i]) #赋值按位与计算值print('c',[0,i],'=',c[0,i]) #输出按位与计算值print('c','[0,',i,']=',[0,i],'的二进制转化值=', bin(c[0,i]), '，d=','[0,',i,']=', d[i],'的二进制转化值=',bin(d[i])) #输出二进制转化值e[0,i]=np.bitwise_or(c[0,i],d[i]) #赋值按位与计算值print('e',[0,i],'=',e[0,i]) #输出按位与计算值

代码运行相关的图像为：

图2 初始图像srcx.png

图3 带掩模的第二张图像or-image.png

 图3 掩模矩阵对应的第三张图像or-mask.png

 图4 不带掩模矩阵的按位或运算效果or-img.png 

 图5 带掩模矩阵的按位或运算效果or-img2.png  

 图6 不带掩模矩阵VS带掩模矩阵的按位或运算效果or-himg3.png

由图2至图6可见，随着按位或运算函数cv2.bitwise_or()的功能执行，图像的色彩出现了明显变化。为增强对比效果，继续输出图像：

 图7 初始图像和不带掩模矩阵的按位或运算效果or-himg.png 

 图8 初始图像和不带掩模矩阵的按位或运算效果or-himg2.png 

综合图7和图8，按位或运算函数cv2.bitwise_or()执行后，只在带有掩模的区域出现了图像。为此查看特定像素点的BGR值：

图9  特定像素点BGR按位或运算验证

由图9读取的数据可知：使用cv2.bitwise_or()函数执行图像按位或计算时，当面向两张图像时，各个像素点的BGR值都是按照十进制转二进制、二进制按位或计算，然后再转回十进制的顺序进行。当面向三张图像时，先对前两张图像执行按位或计算，此时会获得一张中间图像，然后中间图像和第三个图像再次执行按位或计算。

图10 cv2.bitwise_or()函数工作流程

【3】总结

掌握了python+opencv实现使用cv2.bitwise_or()函数实现图像带掩模矩阵按位或计算的技巧。