免费做免费做人爱视频的网站毛片上海企业网站推广
【0】基础定义
按位与运算：两个等长度二进制数上下对齐，全1取1，其余取0。
按位或运算：两个等长度二进制数上下对齐，有1取1，其余取0。
按位取反运算：一个二进制数，0变1,1变0。
按位异或运算： 两个等长度二进制数上下对齐，相同取0，其余取1。
【1】引言
前序已经学习了cv2.bitwise_and()函数、cv2.bitwise_or()函数和cv2.bitwise_not()函数进行图像按位与计算、按位或运算和按位取反运算，相关文章链接为：
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python学opencv|读取图像（四十六）使用cv2.bitwise_or()函数实现图像按位或运算-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
python学opencv|读取图像（四十七）使用cv2.bitwise_not()函数实现图像按位取反运算-CSDN博客
在此基础上，我们再次回到两个图像的操作，使用的函数cv2.bitwise_xor()实现图像在各个像素点BGR值的异或。
【2】官网教程
【2.1】cv2.bitwise_xor()函数
点击下方链接，直达函数cv2.bitwise_xor()的官网教程：
OpenCV: Operations on arrays
官网对函数的说明页面为：
图1 cv2.bitwise_xor()的官网教程
在cv2.bitwise_xor()的官网教程可以看到，函数的参数说明为：
void cv::bitwise_xor ( InputArray src1, #输入图像1
InputArray src2, #输入图像2
OutputArray dst, #输出图像
InputArray mask = noArray() ) #掩模矩阵，单通道二维矩阵
和之前的几个位操作函数一样，在函数cv2.bitwise_xor()中，调用掩模效果对应的掩模矩阵为8位单通道二维矩阵 。
【2.2】np.bitwise_xor()函数
点击下方链接，直达函数np.bitwise_xor()的官网教程：
numpy.bitwise_xor — NumPy v2.2 Manual
代码先后使用cv2.bitwise_xor()函数和np.bitwise_xor()函数来展示图像按位异或操作的基本原理。
【3】代码测试
参考前述学习进程中调用的代码，按照输入图像-按位异或-输出图像的顺序规划代码。
首先引入相关模块和图像：
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)然后定义第二张图像和掩模矩阵：
# 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[:, :, 2] = 120 # 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 # 竖直区域然后执行按位异或计算：
#按位异或运算
img=cv.bitwise_xor(src,image) #异或运算
img2=cv.bitwise_xor(src,image,mask=mask) #异或运算之后读取特定点BGR值进行按位异或计算验证：
#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#二进制按位异或计算
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_xor(a[i],b[i]) #赋值按位异或计算值print('c',[0,i],'是a[0,',i,']和b[0',i,']按位异或的值=',c[0,i]) #输出按位异或计算值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_xor(c[0,i],d[i]) #赋值按位与计算值print('e',[0,i],'是c[0,',i,']和d[0',i,']按位异或的值=',e[0,i]) #输出按位异或计算值#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) #输出矩阵然后显示和保存图像：
#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('xor-n-mask', img) # 显示图像
cv.imwrite('xornmask.png', img) # 保存图像
cv.imshow('xor-w-mask', img2) # 显示图像
cv.imwrite('xor-w-mask.png', img2) # 保存图像
cv.imshow('xor-image', image) # 显示图像
cv.imwrite('xor-image.png', image) # 保存图像
cv.imshow('xor-mask', mask) # 显示图像
cv.imwrite('xor-mask.png', mask) # 保存图像
cv.imshow('ini-xor-n-mask', himg) # 显示图像
cv.imwrite('ini-xor-n-mask.png', himg) # 保存图像
cv.imshow('ini-xor-w-mask', himg2) # 显示图像
cv.imwrite('ini-xor-w-mask.png', himg2) # 保存图像
cv.imshow('xor-n-w', himg3) # 显示图像
cv.imwrite('xor-n-w.png', himg3) # 保存图像
cv.waitKey() # 图像不关闭
cv.destroyAllWindows() # 释放所有窗口代码运行使用的图像有：
图2 初始图像srcx.png
图3 生成的带掩模的第二张图像xor-image.png
图4 掩模矩阵对应图像or-mask.png
图5 图像按位异或效果-不带掩模矩阵xor-n-mask.png
图6 初始图像和图像按位异或效果-不带掩模矩阵ini-xor-n-mask.png
图7 图像按位异或效果-带掩模矩阵xor-w-mask.png
图8 初始图像和图像按位异或效果-带掩模矩阵ini-xor-w-mask.png
图9 图像按位异或效果-不带和带掩模矩阵xor-n-w-mask.png
由图2至图9可知，对图像按位异或操作后，图像的颜色发生了明显变化，添加掩模矩阵后，只在掩模矩阵显示出图像异或操作的图像效果。
然后读取了特定像素点的BGR值：
图10 特定像素点BGR值异或运算验证
图10中，对第一个图像dst和第二个图像image在特定像素点[300,180]读取了BGR值（矩阵a和b），并调用np.bitwise_xor()函数对这两个值进行了按位异或运算（矩阵c）。
之后，又设置了反异或运算，此时的按位异或图像为：上一步获得的按位异或矩阵和第二个图像image。这两个图像（矩阵c和d）在特定像素点[300,180]的BGR值执行了按位异或操作。
图11 反异或运算代码设置
图10中矩阵形式的BGR值读取效果表明，反按位异或操作执行后，获得的矩阵值（矩阵e）和第一个图像的特定像素点取值相等。
综上所述，基于所有运算结果：使用cv2.bitwise_xor()函数执行图像按位异或计算时，各个像素点的BGR值都是按照十进制转二进制、二进制按位异或计算，然后再转回十进制的顺序进行。
图12 cv2.bitwise_xor()函数实现图像带掩模矩阵按位异或计算
【4】细节说明
由于掩模矩阵是单通道二维矩阵，所以掩模本身只会在黑白色之间变化。
【5】总结
掌握了python+opencv实现使用cv2.bitwise_xor()函数实现图像带掩模矩阵按位异或计算的技巧。