OpenCV（5）：图像腐蚀与膨胀，卷积的概念

 图像腐蚀：

图像腐蚀的作用就是去掉毛刺，一般用于二值图像。

假设我们现在有一张二值图像：

我们现在对上图进行腐蚀操作，去除文字周围的毛边。 

在OpenCV中用于图像腐蚀的方法是cv2.erode(输入图像，卷积核，迭代次数）

import cv2
import numpy as np

#读取图像
img = cv2.imread('Hello.png')

#写一个展示图像的方法
def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return

# cv_show('img',img)

kernel = np.ones((3,3),dtype = np.uint8)#定义卷积核
erode = cv2.erode(img,kernel,iterations = 2)#调用腐蚀方法，迭代两次

cv_show('erode',erode)#展示腐蚀后的图像

 返回结果是：

 图像腐蚀的原理是在图形矩阵中，用卷积核（和前一张说的滤波核是一个东西）去逐像元判定。

假设卷积核是一个3*3的矩阵，如果一个像元邻近卷积核中所有的像素都是白色或者都是黑色，那么这个点就没事，如果一个点邻近3*3个像素中既有白色又有黑色，那么这个点就会被腐蚀掉。

这种方法所造成的结果就是对于二值图像（图像矩阵中只有两种值的图像），它的边界就会被腐蚀，因为只有边界的像素邻域中财包含了两种值。iteration参数代表迭代次数，迭代一次就会腐蚀一次图像边界。而卷积核的大小也会影响腐蚀，卷积核越大，迭代一次腐蚀的边界越深。

详见下图：

 图像膨胀

和图像腐蚀相反，图像的膨胀是用于放大二值图的特征。
opencv中的cv2.dilate（）方法用于图像的膨胀。参数和腐蚀一致，依次为输入图像，卷积核，迭代次数
图像的膨胀本质上执行的操作和侵蚀有点类似。侵蚀是对图像的边界赋予黑色，而放大是赋予白色。

import cv2
import numpy as np

#读取图像
img = cv2.imread('Hello.png')

#展示图像的方法
def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return

#定义卷积核
kernel = np.ones((3,3),dtype = np.uint8)
#图像膨胀
dilate = cv2.dilate(img, kernel, iterations = 2)
cv_show('dilate',dilate)

返回结果：

 可以发现图像的边缘扩大了，也可以说图像的特征放大了。

图像膨胀的原理和图像腐蚀几乎一致，只不过最后赋值不同，腐蚀赋予黑色，膨胀赋予白色，当然不一定是黑色和白色，还得看你的二值图具体是哪两个值，我这是0和255，对应就是黑白。

图像卷积：

那么通过前一张的滤波学习和本章的开闭运算的学习，想必大家也应该有些了解什么是卷积了。

通过下图帮助理解。图像的本质就是矩阵，有一维矩阵（灰度图），有三维矩阵（RGB图像，全色图像），有多光谱图像（很多维）。卷积就是对图像矩阵本身经过卷积核运算，计算出一个新的矩阵。卷积核就是下图红色的框。在红框内的元素通过一系列计算（不同算法计算方式不同），会得出一个新的值，那么按照步长为一依次计算可以得出一个新的矩阵，这个矩阵就是你需要的新的图像。

开运算：

图像的腐蚀除了去除毛刺之外，本身也会消除一些原有图像的特征，就是你需要图像的边缘也被侵蚀了。看下图是侵蚀前后的对比，可以发现虽然去除了毛边，但是‘Hello World’本身也变细了。

解决这个问题的方法是：先将图像腐蚀，去除毛边，然后用图像膨胀，将图像本被侵蚀的特征放大。

上代码：

import cv2
import numpy as np

img = cv2.imread('Hello.png')
#显示图图像的方法
def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return
#开运算：先侵蚀再膨胀
def clean(img):
    kernel = np.ones((3,3),dtype = np.uint8)
    erode = cv2.erode(img,kernel,iterations = 2 )#图像腐蚀
    dilate = cv2.dilate(erode, kernel, iterations = 2)#图像膨胀
    return dilate

#调用开运算
dilate = clean(img)

#展示图片
cv_show('dilate',dilate)

返回：

 对比之前图像腐蚀的操作，可以发现被腐蚀的图像边缘都已经恢复了，而被消除的毛刺并没有回来。

那么本身OpenCV中已经封装好了相关的代码，不需要我们再自己定义开运算方法。

OpenCV中的方法是cv2.morphologyEx(src, op, kernel), src传入图像，op指图形运算方式，kernel卷积核。

其中最重要的就是op参数，op =  cv2.MORPH_OPEN就表示进行开运算。

import cv2
import numpy as np

def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return

img = cv2.imread('Hello.png')
kernel = np.ones((5,5),dtype = np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel)#开运算

cv_show('open',opening)

闭运算

闭运算和开运算的原理相反，先膨胀，再腐蚀。

闭运算主要是针对图像中的小洞洞。开运算去除了毛刺，但是对于图像的洞洞无法解决。因为洞洞先缩小在放大没用，只有先放大，把洞洞堵上，再缩小，恢复原样才行。

就比如下图。如果先腐蚀，再膨胀，只会把洞洞（图像中黑色的点）先放大后缩小，但是如果先膨胀，消除洞洞，在腐蚀，将图像膨胀过后的边缘腐蚀掉，就可以去除洞洞，这就是闭运算。

 闭运算同样是用cv2.morphologyEx(src, op, kernel)方法，区别是此时op=cv2.MORPH_CLOSE

上代码：

import cv2
import numpy as np

def cv_show(title,img):
    cv2.imshow(title,img)
    cv2.waitKey(0) 
    cv2.destroyAllWindows()
    return

img = cv2.imread('dongdong.png')
kernel = np.ones((5,5),dtype = np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_CLOSE,kernel)#闭运算

cv_show('open',opening)

返回

 可以看出洞洞被消除了，本身椭圆形的大小也没有变化