计算机视觉（一）——形态学操作：腐蚀、膨胀、开闭运算、形态学梯度、顶帽与黑帽

形态学：即数学形态学，图像处理过程中一个非常重要的研究方法。

形态学主要从图像内部提取分量信息，该分量信息通常对于表达和描绘图像的特征具有重要意义，通常是图像理解时所使用的最本质的形状特征。

形态学处理在视觉检测、文字识别、医学图形处理、图像压缩编码领域都有非常重要的作用。

形态学操作主要包含： 腐蚀、膨胀、开运算、闭运算、形态学梯度运算、顶帽运算、黑帽运算。本文将对这些算法展开详细介绍。
（其中，膨胀和腐蚀是图像处理中最基本的形态学操作手段，常常被组合起来实现一些复杂的图像形态学操作）

---

---

一、腐蚀和膨胀

1.腐蚀

顾名思义，腐蚀操作是将物体的边缘加以腐蚀。具体的操作方法是拿一个宽m，高n的矩形作为模板，对图像中的每一个像素x做如下处理：像素x至于模板的中心，根据模版的大小，遍历所有被模板覆盖的其他像素，修改像素x的值为所有像素中最小的值。这样操作的结果是会将图像外围的突出点加以腐蚀。如下图的操作过程：

腐蚀的原理简单说就是，在背景为黑（0），前景为白（1）的图像中，核（1）与其覆盖的图像部分做“与”操作，如果全为1，则该像素点为1，否则为0；也就是1不容易得到，白色部分更少了，白色部分被腐蚀了。

2.膨胀

膨胀操作与腐蚀操作相反，是将图像的轮廓加以膨胀。操作方法与腐蚀操作类似，也是拿一个矩形模板，对图像的每个像素做遍历处理。不同之处在于修改像素的值不是所有像素中最小的值，而是最大的值。这样操作的结果会将图像外围的突出点连接并向外延伸。如下图的操作过程：

膨胀的原理简单说就是，在背景为黑（0），前景为白（1）的图像中，核（1）与其覆盖的图像部分做“与”操作，如果全为0，则该像素点为0，否则为1；也就是1容易得到，图像更多的地方变白了，白色部分膨胀了。

3.代码实现（python）

引入库

import cv2
import numpy as np
import matplotlib
import matplotlib.pyplot as plt #最后两个库为了画子图使用

腐蚀操作由cv2自带的函数erode实现，其输入参数为原始矩阵以及核。膨胀操作由cv2自带函数dilate实现，输入参数同理于erode。

对于新手，强烈建议自己写代码实现erode和dilate这两个函数，因为函数本身原理简单，并不难实现，而且效果明显，成就感强，能进一步激发计算机视觉的学习兴趣。

img = cv2.imread('psma.PNG') #读取图片

kernel = np.ones((25, 25), np.uint8)    # 矩形结构

erosion = cv2.erode(img, kernel)   # 腐蚀
dilation = cv2.dilate(img, kernel) # 膨胀

titles = ['Original', 'Erosion', 'Dilation']
images = [img, erosion, dilation]
plt.figure(dpi=200) #指定输出像素大小
for i in range(3):
    plt.subplot(1,3, i + 1)
    plt.imshow(images[i])
    plt.title