图像的腐蚀(erosion)和膨胀(dilation)

其实就是定义一个连通规则(structure)，用该连通区域在图像上stride, 用连通区域内的最小或者最大值代替原来的值。(边界上只覆盖部分值)。

腐蚀和膨胀的一个作用是提取二值图像的边界。腐蚀一般用来提取内边界，内边界由边界点构成，是区域的一部分。内边界的提取利用图像的腐蚀处理得到原图像的一个收缩，再将收缩结果与目标图像进行异或运算，实现差值部分的提取。

外边界指区域外部与边界点相邻的像素集合，属于背景的一部分。外边界提取先对图像进行膨胀处理，然后用膨胀结果与原目标图像进行异或运算，也就是求膨胀结果与原目标图像的差集。

1. 腐蚀(erosion)

构造如下的连通区域:

构造图像:

img = np.array([
				[125, 190, 11, 190], 
				[141, 234, 21, 67], 
				[165, 234, 31, 189],
				[112, 12, 41, 56]
			], dtype='uint8')

kernel = np.array([
					[0, 1, 0], 
					[1, 1, 1],
					[0, 1, 0]
				], dtype='uint8')

使用连通区域内的最小值代替:

cv2.erode(img, kernel)
# or
scipy.ndimage.binary_erosion(img, structure=struct)

输出结果

array([[125,  11,  11,  11],
       [125,  21,  11,  21],
       [112,  12,  21,  31],
       [ 12,  12,  12,  41]], dtype=uint8)

求内边界：

inner_border=img ^ cv2.erode(img, kernel)

2. 膨胀

方法与腐蚀相同，使用最大值代替:

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

img = np.array([
				[125, 190, 11, 190], 
				[141, 234, 21, 67], 
				[165, 234, 31, 189],
				[112, 12, 41, 56]
			], dtype='uint8')

# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3)) 
kernel = np.array([
					[0, 1, 0], 
					[1, 1, 1],
					[0, 1, 0]
				], dtype='uint8')
				
dilate_res = cv2.dilate(img, kernel)
# or
scipy.ndimage.binary_dilation(img, structure=struct)

dialate_res输出结果:

array([[190, 234, 190, 190],
       [234, 234, 234, 190],
       [234, 234, 234, 189],
       [165, 234,  56, 189]], dtype=uint8)

求外边界：

outer_border = img ^ cv2.dilate(img, kernel)

总的来说腐蚀就是去掉毛刺(早点)，而膨胀则是补全缺的部分。

引用: 轻松搞懂形态学处理(腐蚀、膨胀、开闭运算