图像锐化：相同数学操作为何得到不同图像数组？

我尝试通过非锐化掩模（Unsharp Masking）对图像进行锐化，该方法的数学逻辑是：用原图像减去高斯模糊图像得到差值，再将差值加回原图像（即 锐化图 = 原图像 + (原图像 - 高斯模糊图) = 2*原图像 - 高斯模糊图）。

第一段代码（得到异常结果）： #

img = cv2.imread('redhat.jpg')
gauss = cv2.GaussianBlur(img,(7,7),0)
diff = img - gauss
sharp = img + diff
cv2_imshow(img)
cv2_imshow(sharp)

• 原图像：红帽子的正常彩色图像
• 得到的锐化图像：存在严重色彩失真、色块异常的图像

第二段代码（得到正确结果）： #

img = cv2.imread('redhat.jpg')
gauss = cv2.GaussianBlur(img,(7,7),0)
sharp = cv2.addWeighted(img, 2, gauss, -1, 0)
cv2_imshow(img)
cv2_imshow(sharp)

• 得到的锐化图像：边缘清晰、色彩正常的正确锐化图像

两段代码数学逻辑等价，但结果差异巨大，核心原因是像素值的数值类型处理方式不同：

• OpenCV读取的图像默认是uint8类型（仅能存储0-255的无符号整数）。第一段代码直接用-和+运算符计算时，会触发uint8的溢出截断：
  • 当img - gauss得到负数时，会被直接截断为0；
  • 当img + diff的结果超过255时，会被截断为255；
    这种截断破坏了像素的正常数值范围，最终导致色彩失真。
• cv2.addWeighted函数会自动处理数值溢出：它先将计算过程中的数值转换为更高精度的类型（如int32），完成运算后再把结果裁剪到0-255的合法范围内，最后转回uint8类型，因此能得到符合预期的锐化效果。

内容的提问来源于stack exchange，提问作者Icky Witchy