在OpenCV中，可以对于图片进行算法运算。我们知道，图像的本质其实就是矩阵，因此对于图像的算数运算本质上就是对于矩阵的算术运算。在OpenCV可以对图像进行算术运算的操作有加、减、乘、除等操作。
图像的加、减、乘、除操作
两张图像可以进行算术运算操作，即对两图像的矩阵进行加减操作。例如，文件夹中有两张图片：
现在想把这两张图像加起来，首先先获取两张图片的行数和列数：
import cv2
import matplotlib.pyplot as plt
import numpy as npimg1=cv2.imread(r'D:\Photo\1.jpeg')
img2=cv2.imread(r'D:\Photo\2.jpeg')
print(img1.shape)
print(img2.shape)运行结果如下所示：
(500, 500, 3)
(500, 667, 3)可以看到两张图片的行数相等，但是列数第二张图片的列数较大，因此在如果两个图像要进行算术运算操作，需要行数和列数需要保持一致，因此只能将图像截取。
（1）将上面两张图片进行相加操作：
import cv2
import matplotlib.pyplot as plt
import numpy as npimage_dog=cv2.imread(r'D:\Photo\1.jpeg')
image_cat=cv2.imread(r'D:\Photo\2.jpeg')
image_cat=cv2.resize(image_cat,(500,500))
image_new=image_cat+image_dog
cv2.imshow('image_new',image_new)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果如下所示：
可以看到，图片的所运行出来的结果就是每一个像素进行叠加，运行出来的结果为上图所示。
（2）同样，也可以进行相减的操作，只需要将上面代码中的image_new=image_cat-image_dog即可。即为：
image_new=image_cat-image_dog运行结果如下所示：
（3）同样，也可以进行相乘的操作，只需要将上面代码中的image_new=image_cat*image_dog即可。
image_new=image_cat*image_dog运行结果如下所示：
由于相乘结果数值相差较大，因此所得到的结果比较混乱。
（4）图像的算数操作同样可以对数进行操作，例如将图像所对应的矩阵里的数全部除以2，代码为：
import cv2
import matplotlib.pyplot as plt
import numpy as npimg_dog=cv2.imread(r'D:\Photo\1.jpeg')
res=img_dog//2
plt.imshow(res)运行结果为：
通过图片可以看出图片整体变暗了，原因是图片对应的矩阵的值变为原来的一半。
图片的叠加
（1）图片不可以这样简单地进行算数运算，同时也可以进行叠加（即为图像的加权融合），在OpenCV使用cv2.addWeigthed()进行叠加。在cv2.addWeighted()中，至少需要输入四个参数，即为第一个需要加权融合的图片，第一个图片所占的权重，第二个需要加权融合的图片，第二个图片所占的权重，例如：
import cv2
import matplotlib.pyplot as plt
import numpy as npimg_dog=cv2.imread(r'D:\Photo\1.jpeg')
img_cat=cv2.imread(r'D:\Photo\2.jpeg')
img_cat=cv2.resize(img_cat,(500,500))
res=cv2.addWeighted(img_cat,0.5,img_dog,0.5,0)
plt.imshow(res)运行效果如下所示：
（2）此时两张图片的权重各占0.5，如果修改权重，将image_cat改为0.7，image_dog改为0.3，那么只需修改代码：
res=cv2.addWeighted(img_cat,0.7,img_dog,0.3,0)运行效果为：
可以看到，当image_cat为0.7，image_dog为0.3的时候，可以看到猫的图片占据了主导地位。
（3）需要说明的是，图片的叠加可以用图片的算术操作完成，例如加权融合的权重为0.5时，下面两句代码效果等效：
res=cv2.addWeighted(img_1,0.5,img_2,0.5,0)
res=img_1//2+img_1//2用上面的例子进行验证：
import cv2
import matplotlib.pyplot as plt
import numpy as npimg_dog=cv2.imread(r'D:\Photo\1.jpeg')
img_cat=cv2.imread(r'D:\Photo\2.jpeg')
img_cat=cv2.resize(img_cat,(500,500))
res1=cv2.addWeighted(img_cat,0.5,img_dog,0.5,0)
res2=img_cat//2+img_dog//2
cv2.imshow('res1',res1)
cv2.imshow('res2',res2)
cv2.waitKey(0)
cv2.destroyAllWindows()运行效果如下所示：
可以看到完全相同，所以对图片进行融合的时候两种方法都可以。
多通道图像拆分为多个单通道图像
在OpenCV中利用cv2.split()将多个颜色通道图像（例如BGR格式的彩色图像）拆分为多个单独的灰色图像，每个灰度图像代表原图像的一个颜色通道。
注：split()函数需要完成三个任务：
- 通道分离：它可以将一个三通道的BGR图像分离成三个单通道的灰度图像，分别是蓝色、绿色和红色通道。
- 数据结构：
split()函数可以接受两种类型的输出参数，一种是Mat数组，另一种是std::vector<Mat>。在Python中，通常使用numpy数组来接收分离后的通道。- 使用方式：当你有一个
Mat对象表示的图像时，可以调用split()函数并传入该对象以及一个用于存放结果的数组或向量。这样，原图像的每个通道就会被提取出来并存储在指定的位置。
例如：
import cv2
import matplotlib.pyplot as plt
import numpy as np#颜色通道提取
img=cv2.imread(r'D:\Photo\1.jpeg')
b,g,r=cv2.split(img)
print('b通道\n')
print(b)
print('g通道\n')
print(g)
print('r通道\n')
print(r)运行结果为：
b通道[[186 186 186 ... 30 41 34][186 186 186 ... 39 46 36][186 186 186 ... 39 41 29]...[160 161 165 ... 37 59 101][160 161 163 ... 42 39 62][154 155 157 ... 62 40 52]]
g通道[[118 118 118 ... 51 61 54][118 118 118 ... 59 66 56][118 118 118 ... 59 61 49]...[177 178 181 ... 73 95 137][177 178 180 ... 76 72 96][171 172 173 ... 96 74 85]]
r通道[[ 70 70 70 ... 45 55 48][ 70 70 70 ... 53 60 51][ 70 70 70 ... 53 55 44]...[188 189 192 ... 81 103 145][188 189 191 ... 84 81 104][182 183 184 ... 104 82 93]]通过上面结果可以看到一张RGB图像分成了三个通道，每个通道有不同的数据内容。而不同颜色通道的图片是什么样子的呢？下面我们分别展示B、G、R通道：
import cv2
import matplotlib.pyplot as plt
import numpy as npimg=cv2.imread(r'D:\Photo\1.jpeg')
#只保留R通道
cur_img1=img.copy()
cur_img1[:,:,0]=0
cur_img1[:,:,1]=0
#只保留G通道
cur_img2=img.copy()
cur_img2[:,:,0]=0
cur_img2[:,:,2]=0
#只保留B通道
cur_img3=img.copy()
cur_img3[:,:,1]=0
cur_img3[:,:,2]=0
cv2.imshow('R通道',cur_img1)
cv2.imshow('G通道',cur_img2)
cv2.imshow('B通道',cur_img3)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果如下所示：
上面通道所展示的结果是B通道、G通道、R通道所呈现的内容。
