Python+opencv学习记录21：膨胀与腐蚀

1.原理

腐蚀与膨胀是最基本的两个形态学操作，它们的作用有：
1.消除噪声；
2.分割独立的图像元素，以及连接相邻的元素；
3.寻找图像中的明显的极大值区域或极小值区域。

1.1膨胀

膨胀将图像A与任意形状的内核B（通常为正方形或圆形）进行卷积，内核B有一个可定义的锚点，通常定义为内核中心点，在进行此操作时，将内核 B 划过图像,将内核 B 覆盖区域的最大相素值提取，并代替锚点位置的相素。显然，这一最大化操作将会导致图像中的亮区开始”扩展” (因此有了术语膨胀 dilation )。

1.2腐蚀

腐蚀在形态学操作家族里是膨胀操作的孪生姐妹，它提取的是内核覆盖下的相素最小值，进行此操作时，将内核 B 划过图像,将内核 B 覆盖区域的最小相素值提取，并代替锚点位置的相素。这一操作会导致图像中的亮区“缩小”（因此有了术语腐蚀erosion）。

2.相应的代码

在进行腐蚀与膨胀时，我们会用到erode和dilate两个API。

2.1腐蚀操作

进行腐蚀操作的步骤为：
1.将图像转换为灰度图像；
2.将灰度图像转换为二值化图像；
3.获取图像结构元素；
4.进行腐蚀；
其对应代码如下：

def erode_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)  # 用大律法、全局自适应阈值方法进行图像二值化
    cv.imshow("binary_image", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))        # 获取图像结构元素
    dst = cv.erode(binary, kernel)      # 腐蚀
    cv.imshow("erode_demo", dst)

原图为：

经过二值化后：

经过腐蚀操作后：

可以明显地看出，经过腐蚀后，图像的黑色区域扩展了很多。

2.2膨胀操作

进行膨胀操作的步骤为：
1.将图像转换为灰度图像；
2.将灰度图像转换为二值化图像；
3.获取图像结构元素；
4.进行膨胀；
其代码如下：

def dilate_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
    cv.imshow("binary_image", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.dilate(binary, kernel)         # 膨胀
    cv.imshow("dilate_dmeo", dst)

经过膨胀操作后的结果为：

由图可以看出经过膨胀后的图像黑色区域缩减了很多。

3.彩色图像的膨胀与腐蚀

除了二值化图像以外，彩色图像也可以进行腐蚀与膨胀。
其代码为：

kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
dst = cv.dilate(src, kernel)         # 膨胀
# dst = cv.erode(src, kernel)          # 腐蚀
cv.imshow("output_image", dst)

原图为：

经过腐蚀后：

经过膨胀后：

可以看出，彩色图像经过腐蚀后整体的亮度变暗，而经过膨胀后整体亮度变亮。

完整代码

import cv2 as cv  # 导入opencv模块
import numpy as np  # 导入数学函数库


def erode_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)  # 用大律法、全局自适应阈值方法进行图像二值化
    cv.imshow("binary_image", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))        # 获取图像结构元素
    dst = cv.erode(binary, kernel)      # 腐蚀
    cv.imshow("erode_demo", dst)


def dilate_demo(image):
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)
    cv.imshow("binary_image", binary)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.dilate(binary, kernel)         # 膨胀
    cv.imshow("dilate_dmeo", dst)


print("------------hello python!------------")

src = cv.imread("D:/opencv3/image/mds.jpg")
cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)
cv.imshow("input_image", src)
# erode_demo(src)
# dilate_demo(src)
# 彩色图像的腐蚀或膨胀
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
dst = cv.dilate(src, kernel)         # 膨胀
# dst = cv.erode(src, kernel)          # 腐蚀
cv.imshow("output_image", dst)

cv.waitKey(0)
cv.destroyAllWindows()  # 释放所有窗口