图像处理——图像的形态学操作：腐蚀与膨胀

1. 什么是形态学操作？

一系列操作基于形状来操作图像，形态学操作通过在图像上应用结构元素来产生输出图像。

改变物体的形状，比如腐蚀就是“变瘦”，膨胀就是“变胖”，如下面这张图所示：

然后包括膨胀与腐蚀在内，一系列的这两者各种叠加作用的操作都称为图像的形态学操作。

最基础的形态学操作就是腐蚀和膨胀。它包含广泛的应用：

移除噪声
孤立一些单独的元素和聚合一些分散的元素
找到图像中的局部块状或者孔

2. 膨胀与腐蚀
膨胀

使用卷积核B对图片A进行卷积运算，求局部最大值，这个卷积核可以有任意的形状和大小，通常是一个方形或者圆形。
卷积核B通常有个锚点，通常位于卷积核的中央位置。

随着卷积核扫描这个图像，我们计算叠加区域的最大像素值，并将锚点的位置用最大值替换。也就是最大化操作导致图片中亮的区域增长（所以这里面叫做膨胀）。

如上面两图所示，上面第一个图是针对二值图进行操作，上面的第一个是针对二值图进行操作膨胀操作。可以发现，这一操作是使得白色区域“变胖”，黑色区域“变瘦”，从下图即可看出。

而针对彩色图像，可以想象，由于我们是只保留最大值，所以当选取的核越大时，图像整体会越模糊，并且会越偏向于白色（因为白色对应的值是255），下面两图分别是核为10*10以及核为50*50两种情况进行膨胀的效果，大家可以感受一下。

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200226230234270.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzQ3Nzc2,size_16,color_FFFFFF,t_70

腐蚀

膨胀和腐蚀是一对好基友，是相反的一对操作，所以腐蚀就是求局部最小值的操作。腐蚀与膨胀类似，计算卷积核里面的最小元素。

随着卷积核B扫描图片，它会计算B叠加区域的最小像素值，并使用这个像素值替换锚点的值。与膨胀相似，对原始的图像应用腐蚀操作。你可以看到背景亮的区域变小，而黑的区域变得很大。

在二值图上直观的体现，就是白色的部分变小，黑色的部分变大，正好与前面的膨胀相对。

而针对彩色图像，一样可以想象，由于我们是只保留最小值，所以当选取的核越大时，图像整体会越模糊，并且会越偏向于黑色（黑色对应的值是0），其中一些黑色的小元素也会被放大（例如下图中的小沙子），下面两图分别是核为10*10以及核为50*50两种情况进行腐蚀的效果，第二张非常惊悚。

3、python实现

import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test01.jpg', cv2.IMREAD_UNCHANGED)

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

#图像腐蚀/处理
src_erode = cv2.erode(src, kernel)
#图像膨胀处理
src_dilate = cv2.dilate(src, kernel)
#显示图像
cv2.imshow("src", src)
cv2.imshow("scr_erode", src_erode)
cv2.imshow('src_dilate',src_dilate)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

————————————————
版权声明：本文为CSDN博主「Kanny广小隶」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_41929524/article/details/81187173