图像处理腐蚀与膨胀

图像的腐蚀(erosion)和膨胀(dilation)是两种基本的形态学运算,主要用来寻找图像中的极大区域和极小区域.

 

腐蚀(erosion)：　　

腐蚀类似 '领域被蚕食' ,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小

形态学转换主要针对的是二值图像（0或1）。图像腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。其主要包括两个输入对象：

(1)二值图像

(2)卷积核

图示：

说明：左边是图像X(二值图象，我们针对的是黑点)，中间是结构元素B（卷积核），那个标有origin的点是中心点，即当前处理元素的位置，我们在介绍模板操作时也有过类似的概念。腐蚀的方法是，拿B的中心点和X上的点一个一个地对比，如果B上的所有点都在X的范围内，则该点保留，否则将该点去掉；右边是腐蚀后的结果。可以看出，它仍在原来X的范围内，且比X包含的点要少，就象X被腐蚀掉了一层。

腐蚀代码：

import cv2
import numpy as np
import  matplotlib.pyplot as plt
 
#读取照片
img = r"C:\Users\bcl\Desktop\image.jpg"
 
#图像的二值化 
src = cv2.imread(img,cv2.IMREAD_UNCHANGED)
#卷积核5*5
kernel = np.ones((5,5),np.uint8)
 
#图像的腐蚀，默认迭代次数
erosion = cv2.erode(src,kernel)
#显示照片
cv2.imshow('origin',src)
# 腐蚀后
cv2.imshow('after erosion',erosion)
plt.show()
cv2.waitKey(0)

膨胀(dilation)

膨胀类似与 '领域扩张' ,将图像的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大.

图像膨胀是腐蚀的逆过程，往往先通过腐蚀使图片线条变窄，然后腐蚀可以去除噪声。图像膨胀的处理过程：

a.图像二值化，将图像的灰度值根据阈值进行0，1处理得到的图像；

b.卷积核，对应信号处理中的高低频滤波器。常用numpy去设置，np.ones((m,n), np.uint8) 表示指定m*n的卷积核；

c.图像的腐蚀，cv2.dilate(二值化图像, 卷积核, 迭代次数)

图示：

 说明：左边是图像X(二值图象，我们针对的是黑点)，中间是结构元素B。膨胀的方法是，拿B的中心点和X上的点及X周围的点一个一个地对，如果B上有一个点落在X的范围内，则该点就为黑；右边是膨胀后的结果。可以看出，它包括X的所有范围，就象X膨胀了一圈似的。

import cv2
import numpy as np
import  matplotlib.pyplot as plt

img = r"C:\Users\bcl\Desktop\image.jpg"

# 图像的二值化
src = cv2.imread(img, cv2.IMREAD_UNCHANGED)

# 设置卷积核5*5
kernel = np.ones((5, 5), np.uint8)

# 图像的腐蚀，默认迭代次数
erosion = cv2.erode(src, kernel)

# 图像的膨胀
dst = cv2.dilate(erosion, kernel)

# 效果展示
cv2.imshow('origin', src)
# 腐蚀后
cv2.imshow('after erosion', erosion)
# 膨胀后
cv2.imshow('after dilate', dst)

plt.show()
cv2.waitKey(0)