opencv 的 cv2.add() 函数在输入为一维 numpy 数组时可能误判为标量（scalar），导致返回 float64 类型、四维结构的异常结果；正确做法是确保输入为二维（如 `(1, 1)`）或更高维的规则数组，以触发预期的饱和加法（uint8 溢出截断至 255）。

OpenCV 的 cv2.add() 是一个饱和加法（saturated addition）操作：对 uint8 类型图像/数组，它会将超过 255 的值自动截断为 255（而非回绕或报错），这是其区别于 NumPy 原生 + 运算符的核心特性。但该行为严格依赖输入数组的形状与维度解析逻辑。

你遇到的问题根源在于：

x = np.array([250], np.uint8)  # shape = (1,)
y = np.array([10], np.uint8)   # shape = (1,)

这两个一维数组（shape=(1,)）在 OpenCV 内部被隐式解释为 cv::Scalar 类型（常用于表示 BGR/RGBA 颜色值），而 cv::Scalar 默认以 double 精度存储。因此 cv2.add(x, y) 实际执行的是标量广播加法，并返回一个 float64 类型、形状为 (4, 1) 的数组——其中 [260., 0., 0., 0.] 正是 OpenCV 将标量 (260.0) 扩展为四通道（RGBA）默认填充的结果。

✅ 正确写法：显式构造二维数组（推荐）

import numpy as np
import cv2

x = np.array([[250]], dtype=np.uint8)  # shape = (1, 1)
y = np.array([[10]], dtype=np.uint8)   # shape = (1, 1)

result = cv2.add(x, y)
print(result.dtype)  # uint8
print(result)        # [[255]]

⚠️ 其他等效方式（均需保证至少二维）：

# 方式 2：reshape 显式调整
x = np.array([250], np.uint8).reshape(1, 1)
y = np.array([10], np.uint8).reshape(1, 1)

# 方式 3：使用 np.expand_dims
x = np.expand_dims(np.array([250], np.uint8), axis=0)  # (1, 1)
y = np.expand_dims(np.array([10], np.uint8), axis=0)

# 方式 4：多像素示例（更贴近实际图像场景）
img1 = np.array([[250, 100], [50, 200]], dtype=np.uint8)  # (2, 2)
img2 = np.array([[10, 150], [200, 100]], dtype=np.uint8)
result = cv2.add(img1, img2)  # 自动逐元素饱和加：[[255, 250], [250, 255]]

? 补充说明：

• cv2.add() 不支持一维向量直接饱和加法；若需对一维数组做饱和运算，应改用 cv2.add() 的二维封装，或使用 np.clip(x + y, 0, 255)（注意：后者不改变 dtype，需手动 .astype(np.uint8)）。
• 此行为在 OpenCV 4.8.0+ 版本中一致存在，并非 bug，而是 C++ 接口设计对 cv::Scalar 的优先匹配逻辑所致。官方文档虽未明确强调此形状约束，但OpenCV Python API 文档指出：src1 和 src2 应为“相同大小和通道数的数组”，而一维数组不满足“通道数”语义。

? 总结：始终确保 cv2.add() 的输入为二维或三维 NumPy 数组（如 (H, W) 或 (H, W, C)），避免一维输入引发标量歧义——这是写出可移植、可预测 OpenCV 图像算术代码的关键实践。