图像加法运算
两种方式，直接使用“+”，也可以使用cv2.add()函数。
“+”
直接使用+号遵循如下规则：
其实就是矩阵加法，8个比特位最高255，超过了就模运算。
import numpy as np
img1 = np.random.randint(0, 256, size=[5,5], dtype=np.uint8)
img2 = np.random.randint(0, 256, size=[5,5], dtype=np.uint8)
img3 = img1 + img2 # 直接使用+号就可以 图像尺寸要一样大的
cv2.add()
使用该函数遵循如下规则：
相加后超过255就取255。
cv2.add(图像， 图像) # 两个参数都是图像的话，对应位置的像素值相加即可
cv2.add(图像， 数值) # 一个是图像，一个是数字的话，就是该图像的每个像素值都加上这个数字
# 掩模的作用类似子网掩码，两参数相加运算后，最后还要与掩模进行与运算
cv2.add(参数1， 参数2， 掩模)
由于两个加法规则不同，我们来做个对比：
import cv2
Bastion1 = cv2.imread("Bastion.jpg", -1)
Bastion2 = cv2.imread("Bastion.jpg", -1)
cv2.imshow("original", Bastion1)
cv2.imshow("+", Bastion1+Bastion2)
cv2.imshow("cv2.add", cv2.add(Bastion1, Bastion2))
cv2.waitKey()
cv2.destroyAllWindows()
因为cv2.add()的加法规则是相加超过255就取255，所以图像更亮了。而+号进行了模运算，超过255后有可能会更暗，所以看起来有点不对劲。
加权相加
OpenCV中提供了函数cv2.addWeighted()，用来实现图像的加权和（混合、融合），该函数的语法格式为：
dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)
可以理解为“结果图像=图像1×系数1+图像2×系数2+亮度调节量”，当然，参数gamma，即亮度调节量可以为0，但是必须要有这个参数，不可省略。
减法运算
“-”
结果如果是负数，就再加256使其成为正数（其实是进行模运算，“负数结果 mod 256”）
cv2.substract()
两数相减，如果是正数就是结果，如果是负数结果取零。
cv2.substract()
按位逻辑运算
逻辑运算大家应该很熟悉，与、或、非、异或。
cv2.bitwise_and() # 按位与
cv2.bitwise_or() # 或
cv2.bitwise_not() # 非
cv2.bitwise_xor() # 异或
函数语法格式是这样的：
dst = cv2.bitwise_and(src1, src2[, mask])
前两个参数就是输入相同类型和大小的输入值，第三个是可选的，操作掩码，可以类比成子网掩码的作用，就好理解了。
一般mask输入的矩阵，称为掩模，是由0和1构成的矩阵，我们知道当进行与运算时，和0进行与运算的结果都是0，和1进行与运算的结果保持不变，那么可以用图像和掩模进行与运算，用来控制图像的显示区域。
下图是一个掩模的例子
前面也有提到cv2.add()函数也可以选择使用第三个参数，使图像与掩模相与，也就是说，cv2.add(src1, src2, mask)和cv2.bitwise_and(src, mask)都可以实现一幅灰度图像和掩模的与运算，那么彩色图像怎么办呢，彩色图像有三个通道，掩模没有。但是我们可以想到，把掩模合成三通道的RBG图像，然后再用上述两个函数就可以了，确实如此。
实际中，还有更简单的方式，使用cv2.bitwise_and(src1, src2[, mask])也可以，输入的两个src参数都是同一幅彩色图像，mask参数输入掩模，就能完成掩模控制的彩色图像了。
参考:
《OpenCV轻松入门：面向python》
