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.
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
,那么目标像素点为
,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
。
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
。
处理结果如下图所示:
二.
图像腐蚀代码实现
1.
基础理论
形态学转换主要针对的是二值图像(
或
1
)。图像腐蚀类似于“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。其主要包括两个输入对象:
(1)
二值图像
(2)
卷积核
卷积核是腐蚀中的关键数组,采用
numpy
库可以生成。卷积核的中心点逐个像素扫描原始图像,如下图所示:
被扫描到的原始图像中的像素点,只有当卷积核对应的元素值均为
1
时,其值才为
1
,否则其值修改为
。换句话说,遍历到的黄色点位置,其周围全部是白色,保留白色,否则变为黑色,图像腐蚀变小。
2.
函数原型
图像腐蚀主要使用的函数为
erode
,其原型如下:
dst = cv2.erode(src, kernel, iterations)
参数
dst
表示处理的结果,
src
表示原图像,
kernel
表示卷积核,
iterations
表示迭代次数。下图表示
5*5
的卷积核,可以采用函数
np.ones((5,5), np.uint8)
构建。
注意:迭代次数默认是
1
,表示进行一次腐蚀,也可以根据需要进行多次迭代,进行多次腐蚀。
3.
代码实现
完整代码如下所示:
输出结果如下图所示:
由图可见,干扰的细线被进行了清洗,但仍然有些轮廓,此时可设置迭代次数进行腐蚀。
erosion = cv2.erode(src, kernel,iterations=9)
输出结果如下图所示:
三
. 图像膨胀代码实现
1.
基础理论
图像膨胀是腐蚀操作的逆操作,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,线条变粗了,主要用于去噪。
(1)
图像被腐蚀后,去除了噪声,但是会压缩图像。
(2)
对腐蚀过的图像,进行膨胀处理,可以去除噪声,并且保持原有形状。
它也包括两个输入对象:
(1)
二值图像或原始图像
(2)
卷积核
卷积核是腐蚀中的关键数组,采用
numpy
库可以生成。卷积核的中心点逐个像素扫描原始图像,如下图所示:
被扫描到的原始图像中的像素点,当卷积核对应的元素值只要有一个为
1
时,其值就为
1
,否则为
。
2.
函数原型
图像膨胀主要使用的函数为
dilate
,其原型如下:
dst = cv2.dilate(src, kernel, iterations)
参数
dst
表示处理的结果,
src
表示原图像,
kernel
表示卷积核,
iterations
表示迭代次数。下图表示
5*5
的卷积核,可以采用函数
np.ones((5,5), np.uint8)
构建。
注意:迭代次数默认是
1
,表示进行一次膨胀,也可以根据需要进行多次迭代,进行多次膨胀。通常进行
1
次膨胀即可。
3.
代码实现
完整代码如下所示:
输出结果如下所示:
图像去噪通常需要先腐蚀后膨胀,这又称为开运算,下篇文章将详细介绍。如下图所示:
erosion = cv2.erode(src, kernel)
result = cv2.dilate(erosion, kernel)