OpenCV и Python: арифметические операции между скаляром и всеми пикселями и каналами

Я пытаюсь выполнять операции - в Python - с цветными изображениями (3 канала), такие как сложение, умножение и т.д ... Используя, например, cv.add(img, value), где img - это трехканальное изображение, а value - скаляр.

Но функции меняют только первый канал. Я обнаружил, что в C++ вы должны использовать Scalar(value1, value2, value3) для применения операций ко всем каналам.

Как я могу это сделать в Python? Есть ли способ передать эти 3 скалярных значения функции одновременно, чтобы не использовать циклы?

Редактировать: также, я думаю, что предпочтительнее использовать функции openCV, потому что они имеют то преимущество, что являются «насыщенными операциями». При работе с uint8, например, использование cv.add (250 + 10) вернет 255, а не 260. А при использовании numpy 250 + 10 = 260% 256 = 4.

Пример кода и ошибки

Я создал изображение 4x4 пикселя, 3 канала, а затем попытался добавить скаляр.

import cv2 as cv
import numpy as np

img = np.zeros((4,4,3), np.uint8)
print(img)
cv.add(img, 2)

И вот результаты:

array([[[2, 0, 0],
        [2, 0, 0],
        [2, 0, 0],
        [2, 0, 0]],

       [[2, 0, 0],
        [2, 0, 0],
        [2, 0, 0],
        [2, 0, 0]],

       [[2, 0, 0],
        [2, 0, 0],
        [2, 0, 0],
        [2, 0, 0]],

       [[2, 0, 0],
        [2, 0, 0],
        [2, 0, 0],
        [2, 0, 0]]], dtype=uint8)

Но если я использую только один пиксель, одну строку или один столбец, результаты будут правильными:

a = img[1,1]; print(a)
cv.add(a, 2)

a = img[:,1]; print(a)
cv.add(a, 2)

a = img[1,:,]; print(a)
cv.add(a, 2)

Результаты для последнего из трех приведенных выше примеров:

In [341]: a = img[1,:,]; print(a)
[[0 0 0]
 [0 0 0]
 [0 0 0]
 [0 0 0]]

In [342]: cv.add(a, 2)
Out[342]: 
array([[2, 2, 2],
       [2, 2, 2],
       [2, 2, 2],
       [2, 2, 2]], dtype=uint8)

Зачем использовать функции opencv вместо numpy?

Во-первых, мне кажется странным, что вы не можете сделать это напрямую с помощью функций opencv. : P (Кроме того, функция работает для 1 столбца или 1 строки пикселей; это заставляет меня думать, что есть простое решение, чтобы заставить ее работать в opencv-python.)

Во-вторых, производительность кажется совсем другой. Абсолютное время не так уж велико, но если вам, например, нужно выполнить некоторую тяжелую обработку в живом видео, это может иметь значение.

Я запустил несколько простых cv.add() против numpy, добавив скаляр к одноканальному изображению:

img = np.zeros((500,500,1), np.uint8)

# sum without saturation
%timeit res1 = img + 100 
%timeit res2 = cv.add(img, 100)

#sum with saturation (going over 255)
%timeit res1 = img + 300
%timeit res2 = cv.add(img, 300)

А вот результаты производительности:

In [56]: %timeit res1 = img + 100
688 µs ± 19.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [57]: %timeit res2 = cv.add(img, 100)
129 µs ± 9.96 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [58]: %timeit res1 = img + 300
1.41 ms ± 101 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [59]: %timeit res2 = cv.add(img, 300)
736 µs ± 9.04 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

При операциях без насыщения добавление numpy примерно в 5 раз медленнее, чем opencv. С насыщенностью примерно в 2 раза медленнее. Но вам все равно нужно исправить результаты numpy, чтобы он показал насыщенное значение 255; и в конечном итоге вам придется преобразовать его обратно в uint8 (numpy преобразовал результат в uint16, чтобы учесть результаты):

%timeit res1 = img + 300; res1[res1 > 255] = 255
2.89 ms ± 67.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit res1 = img + 300; res1[res1 > 255] = 255; res1 = np.uint8(res1)
3.79 ms ± 300 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Итак, полная операция снова примерно в 5 раз медленнее при использовании numpy ...