OepnCV学习笔记（九）——对于腐蚀操作和膨胀操作

图片的腐蚀操作

在OpenCV中可以利用cv2.erode()函数进行腐蚀操作，腐蚀操作是形态学处理的一种，它通常用于去除图像中的噪声以及使目标物体变小。

在OpenCV中cv2.erosion()函数进行腐蚀，cv2.erode(src, kernel, dst, anchor, iterations, borderType, borderValue) 。其中第一个参数src表示的是需要处理的图片内容；第二个参数kernel表示的是腐蚀操作中使用的结构元素，可以是一个预先定义的核或者自定义的形状；第三个参数dst表示的是输出图像，存储腐蚀操作的结果；第四个参数anchor表示的是结构元素的锚点，默认值为(-1, -1)，表示锚点位于结构元素的中心；第五个参数iterations表示的是腐蚀进行的次数；第六个参数borderType表示的是边界处理类型，默认值为cv2.BORDER_CONSTANT；第七个参数表示的是当边界类型为cv2.BORDER_CONSTANT时，用于指定边界填充的值，默认为0。（其中dst，anchor，borderType和borderValue参数可以省略）。

 在OpenCV中，可以对图像进行多次腐蚀操作，例如如下现在对于OpenCV中一张经典的图片进行操作：

图片链接为 （erode图片链接）（演示使用，如果侵权可删除）

下面对于上图进行腐蚀操作：

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

img=cv2.imread(r'D:\Photo\erode.jpg')
kernel=np.ones((5,5),np.uint8)
img_erosion=cv2.erode(img,kernel,iterations=1)
cv2.imshow('img_erosion',img_erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上面的代码中，设置了腐蚀的次数为1，kernel采用的5×5的矩阵，因为图片是黑白颜色，图中所有像素点的值为255和0。例如下面这个矩阵：

OepnCV中会有四周像中间部位腐蚀，像如下这种：

由此可以这种结果情况下，白色区域肯定会越来越小，而黑色背景区域会变大。

运行结果如下所示：

对比两张图片可以看到，第一张图片中的蜘蛛四个角已经被腐蚀掉了，并且身体面积也明显变小，腐蚀效果很好。

同时也可以进行多次的腐蚀操作，我们可以多次腐蚀的操作（只需设置iterations的值为2、3次即可）：

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

img=cv2.imread(r'D:\Photo\erode.jpg')
kernel=np.ones((5,5),np.uint8)
img_erosion1=cv2.erode(img,kernel,iterations=1)
img_erosion2=cv2.erode(img,kernel,iterations=2)
img_erosion3=cv2.erode(img,kernel,iterations=3)
cv2.imshow('img_erosion1',img_erosion1)
cv2.imshow('img_erosion2',img_erosion2)
cv2.imshow('img_erosion3',img_erosion3)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示：

可以从上面的结果中看出在经历了多次的腐蚀操作之后，图中的蜘蛛面积逐渐变小了，再经历多次模式的时候蜘蛛的面积会变得更小。

通过，如果不同结构元素得到的腐蚀结果也是不同的。例如将5×5的结构元素变为3×3的结构元素，像下面一样：

腐蚀方向为：

同样只需要将上面的代码中的kernel=np.ones((5,5),np.uint8)改为kernel=np.ones((3,3),np.uint8)即可，即：

kernel=np.ones((5,5),np.uint8)
img_erosion1=cv2.erode(img,kernel,iterations=1)

作为对比，我们将3×3的矩阵和5×5的矩阵在一起进行比较：

import cv2
import numpy as np

img=cv2.imread(r'D:\Photo\erode.jpg')
kernel1=np.ones((3,3),np.uint8)
kernel2=np.ones((5,5),np.uint8)
img_erosion1=cv2.erode(img,kernel1,iterations=1)
img_erosion2=cv2.erode(img,kernel2,iterations=1)
cv2.imshow('img_erosion1',img_erosion1)
cv2.imshow('img_erosion2',img_erosion2)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示：

可以看到，单从腐蚀效果来看的画，5×5的矩阵效果是更好的，因为3×3的矩阵中四肢部分还有残留部分。 在实际操作，Kernel选择的矩阵尽量为单数行和单数列的。

图片的膨胀操作

在OpenCV中可以利用cv2.dilate()函数进行膨胀操作，与腐蚀操作相同，膨胀操作是形态学处理的一种，它通常用于去除图像中的噪声以及使目标物体变大。

在OpenCV中的cv2.dilate()函数所需要的参数与cv2.erosion()相同，在这里将不再介绍。选择如下这张图片进行操作。如下所示为原始图片：

进行膨胀操作的代码如下所示：

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

img=cv2.imread(r'D:\Photo\3.png')
kernel=np.ones((3,3),np.uint8)
img_dilate=cv2.dilate(img,kernel,iterations=1)
cv2.imshow('img',img)
cv2.imshow('img_dilate',img_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下所示：

 可以看到图片中的白色部分的进行了膨胀，膨胀之后将白色j里的黑色像素的面积变小了。

将膨胀次数设置为5次，我们再观察图片变化：

可以看到，在进行膨胀5次之后图片的变化，图片中白色j中的黑色像素已经全部消失，并且白色j的像素也明显变大了。 

图片的开运算和闭运算

OpenCV可以对图片进行开运算和闭运算，什么是开运算呢？既是对图像先进行腐蚀操作后进行膨胀操作，同样先进行膨胀后进行腐蚀就是闭运算。

下面将开运算和闭运算分别进行比较为：

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

img=cv2.imread(r'D:\Photo\3.png')
kernel=np.ones((5,5),np.uint8)
img_opening=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
img_closing=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
cv2.imshow('image',img)
cv2.imshow('img_opening',img_opening)
cv2.imshow('img_closing',img_closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果为：

原图和开运算之后的图片

原图和闭运算之后的图片

（直接看可能并不明显，建议用户点击观看）

在一些领域中，腐蚀和膨胀操作发挥着很大的作用， 比如一些工作清除不必要的像素有很大作用。