图像腐蚀与图像膨胀（Python篇）

        在大学期间积累过一定的图像处理经验，OCR技术在我的日常工作中偶尔会用到，还是比较重要的。本文介绍图像的膨胀和腐蚀的基本概念及其各自的代码实现。

        1.膨胀和腐蚀的基本概念

        图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。其中膨胀类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大；腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。

        1.1图像膨胀

膨胀的运算符是”⊕”，其定义如下：

                                          

         该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点，用模板元素与二值图像元素做“与”运算，如果都为0，那么目标像素点为0，否则为1。从而计算B覆盖区域的像素点最大值，并用该值替换参考点的像素值实现膨胀。下图是将左边的原始图像A膨胀处理为右边的效果图A⊕B。

        1.2图像腐蚀

腐蚀的运算符是“－”，其定义如下：

                                               

        该公式表示图像A用卷积模板B来进行腐蚀处理，通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。如图所示，将左边的原始图像A腐蚀处理为右边的效果图A-B。

        2.实现过程

        2.1图像腐蚀

图像腐蚀的过程：

       a.图像二值化，将图像的灰度值根据阈值进行0，1处理得到的图像；

       b.卷积核，对应信号处理中的高低频滤波器。常用numpy去设置，np.ones((m,n), np.uint8) 表示指定m*n的卷积核；

       c.图像的腐蚀，cv2.erode(二值化图像, 卷积核, 迭代次数)

代码处理过程：

import cv2
import numpy as np

## 测试图片，为反斜杠
pic = 'C:/1.jpg'

## a.图像的二值化 ，这里没有做阈值处理
src = cv2.imread(pic,cv2.IMREAD_UNCHANGED)


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

## c.图像的腐蚀，默认迭代次数
erosion = cv2.erode(src,kernel)

## 效果展示
cv2.imshow('origin',src)

## 腐蚀后
cv2.imshow('after erosion',erosion)

图片处理效果对比：

        2.2图像膨胀

图像膨胀时腐蚀的逆过程，往往先通过腐蚀使图片线条变窄，然后腐蚀可以去除噪声。图像膨胀的处理过程：

a.图像二值化，将图像的灰度值根据阈值进行0，1处理得到的图像；

b.卷积核，对应信号处理中的高低频滤波器。常用numpy去设置，np.ones((m,n), np.uint8) 表示指定m*n的卷积核；

c.图像的腐蚀，cv2.dilate(二值化图像, 卷积核, 迭代次数)

代码处理过程：

import cv2
import numpy as np

## 测试图片，为反斜杠
pic = 'C:/1.jpg'

## a.图像的二值化 ，这里没有做阈值处理
src = cv2.imread(pic,cv2.IMREAD_UNCHANGED)


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

## c.图像的腐蚀，默认迭代次数
erosion = cv2.erode(src,kernel)

## 图像的膨胀
dst = cv2.dilate(erosion,kernel)

## 效果展示
cv2.imshow('origin',src)

## 腐蚀后
cv2.imshow('after erosion',erosion)

## 膨胀后
cv2.imshow('after dilate',dst)

图片效果对比：