OpenCV-Python图像的减法运算cv2.subtract函数详解以及和矩阵减法的差异对比
☞ ░ 前往老猿Python博文目录 ░
一、概述
在《OpenCV-Python图像的加法运算cv2.add函数详解》详细介绍了图像的加法运算，有加法就有减法，本文介绍图像的减法运算。
图像的减法通常用于查找图像的差异，如医学上血管的影像和造影后的血管影像比对就可以看出血液流动的情况，当然减法也可以用在图像的特殊处理上。
二、cv2.subtract函数语法
调用语法：
subtract(src1, src2, dst=None, mask=None, dtype=None)
参数说明：
减法的参数与加法类似：
- src1：作为被减数的图像数组或一个标量
- src2：作为减数的图像数组或一个标量
- dst：可选参数，输出结果保存的变量，默认值为None，如果为非None，输出图像保存到dst对应实参中，其大小和通道数与输入图像相同，图像的深度（即图像像素的位数）由dtype参数或输入图像确
- mask：图像掩膜，可选参数，为8位单通道的灰度图像，用于指定要更改的输出图像数组的元素，即输出图像像素只有mask对应位置元素不为0的部分才输出，否则该位置像素的所有通道分量都设置为0
- dtype：可选参数，输出图像数组的深度，即图像单个像素值的位数（如RGB用三个字节表示，则为24位）。
- 返回值：相减的结果图像
三、减法运算的四种场景
- 两个图像矩阵相减, 要求两个矩阵必须有相同大小和通道数
dst(I)=saturate(src1(I)−src2(I))if mask(I)≠0 - 1个图像矩阵和1个标量相减, 要求src2是标量或者与src1的通道数相同的元素个数，经实际测试应该是一个四元组，如果src1是3通道的，则按通道顺序依次与该四元组的前3个元素相减
dst(I)=saturate(src1(I)−src2)if mask(I)≠0 - 1个标量和一个图像数组相减, 要求src1是标量或者与src1的通道数相同的元素个数
dst(I)=saturate(src1−src2(I))if mask(I)≠0 - 在给定值减去矩阵的SubRS情况下，为1个标量和一个图像数组相减的反向差，老猿认为这是第二种场景的一种特殊解读
dst(I)=saturate(src2−src1(I))if mask(I)≠0
以上运算过程理解存在疑问的，请参考《opencv图像处理学习随笔：帮助文档运算公式中saturate的含义》。
四、减法运算案例
下面的两张图，后者是前者基础上增加了两处文字和一处曲线：
原图seaside.jpg：
在原图上添加变化的新图seaside_new.jpg：
减法案例代码：
import numpy as np
import cv2
def main():
img1 = cv2.imread(r'F:\pic\seaside.jpg')
img2 = cv2.imread(r'F:\pic\seaside_new.jpg')
diffImg1 = cv2.subtract(img1,img2)
diffImg2 = cv2.subtract(img2, img1)
diffImg3 = img1 - img2
diffImg4 = img2 - img1
cv2.imshow('subtract(img1,img2)',diffImg1)
cv2.imshow('subtract(img2,img1)', diffImg2)
cv2.imshow('img1 - img2',diffImg3)
cv2.imshow('img2 - img1', diffImg4)
cv2.waitKey(0)
main()
subtract(img2, img1)结果图：
subtract(img1,img2)结果图：
img1 - img2结果图：
img2 - img1结果图：
可以看到opencv的减法和矩阵减法在处理差异时opencv的结果更自然平滑。这种情况在两个图表面看起来差不多但实际有比较大的差别时更明显。
上面的案例第一张图是使用windows画图另存之后保存的，第二张图是在前面保存图的基础上增加了内容，如果第一张图直接用原图不另存，其内容与另存的还是有比较大的差异，两个文件的大小都不同。下面的seaside2.jpg是没有使用画图工具另存的真正原图，seaside.jpg是使用画图工具另存的原图，二者图像的分辨率一样。
我们使用真正的原图与变换内容的图进行比较。代码如下：
def main():
img1 = cv2.imread(r'F:\pic\seaside2.jpg')
img2 = cv2.imread(r'F:\pic\seaside_new.jpg')
print(img1.shape,img2.shape)
diffImg1 = cv2.subtract(img1,img2)
diffImg2 = cv2.subtract(img2, img1)
diffImg3 = img1 - img2
diffImg4 = img2 - img1
cv2.imshow('subtract(img1,img2)',diffImg1)
cv2.imshow('subtract(img2,img1)', diffImg2)
cv2.imshow('img1 - img2', diffImg3)
cv2.imshow('img2 - img1',diffImg4)
cv2.waitKey(0)
main()
则各处理结果图像如下：
subtract(img1,img2)：
subtract(img2,img1)：
img2-img1:
img1-img2:
可以看到，对这种图像处理时，OpenCV处理比矩阵减法要好很多。
五、小结
本文详细介绍了opencv图像减法的作用、具体语法以及四种使用场景，并举例介绍了opencv图像减法和矩阵减法的差别，可以看到，OpenCV的减法函数在图像处理上比矩阵减法更自然和平滑。
更多OpenCV-Python的介绍请参考专栏《OpenCV-Python图形图像处理》相关文章。
关于老猿的付费专栏
老猿的付费专栏《使用PyQt开发图形界面Python应用》专门介绍基于Python的PyQt图形界面开发基础教程，付费专栏《moviepy音视频开发专栏》详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理，两个专栏都适合有一定Python基础但无相关知识的小白读者学习。
付费专栏文章目录：《moviepy音视频开发专栏文章目录》、《使用PyQt开发图形界面Python应用专栏目录》。
对于缺乏Python基础的同仁，可以通过老猿的免费专栏《专栏：Python基础教程目录》从零开始学习Python。
如果有兴趣也愿意支持老猿的读者，欢迎购买付费专栏。