从头学习opencv（22）--膨胀与腐蚀

参考 http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/erosion_dilatation/erosion_dilatation.html#morphology-1

图像形态学

简单来讲，形态学操作就是基于形状的一系列图像处理操作。通过将 结构元素 作用于输入图像来产生输出图像。
是图像处理学科的一个单独分支学科
灰度与二值图像处理中重要手段
是由数学的集合论等相关理论发展起来的
最基本的形态学操作有二：腐蚀与膨胀(Erosion 与 Dilation)。 他们的运用广泛:，在于：
消除噪声
分割(isolate)独立的图像元素，以及连接(join)相邻的元素。
寻找图像中的明显的极大值区域或极小值区域。

膨胀

此操作将图像 A 与任意形状的内核 (B)，通常为正方形或圆形,进行卷积。

内核 B 有一个可定义的 锚点, 通常定义为内核中心点。

进行膨胀操作时，将内核 B 划过图像,将内核 B 覆盖区域的最大相素值提取，并代替锚点位置的相素。显然，这一最大化操作将会导致图像中的亮区开始”扩展” (因此有了术语膨胀 dilation )。对上图采用膨胀操作我们得到:

Dilation result - Theory example
背景(白色)膨胀，而黑色字母缩小了。

3*3的结构元素/模板
注意：腐蚀和膨胀都支持任意形状的结构元素

膨胀的作用：
对象大小增加一个像素（3*3）
平滑对象边缘
减少或者填充对象之间的距离

腐蚀

腐蚀在形态学操作家族里是膨胀操作的孪生姐妹。它提取的是内核覆盖下的相素最小值。

进行腐蚀操作时，将内核 B 划过图像,将内核 B 覆盖区域的最小相素值提取，并代替锚点位置的相素。

以与膨胀相同的图像作为样本,我们使用腐蚀操作。从下面的结果图我们看到亮区(背景)变细，而黑色区域(字母)则变大了。

完整代码

import cv2 as cv
import numpy as np


#腐蚀:背景腐蚀，中间的图片腐蚀了周围，增强对象边缘
def erode_demo(image):
    print(image.shape)
    gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
    cv.imshow("binary",binary)
    kernel=cv.getStructuringElement(cv.MORPH_RECT,(3,3))
    erode_dst=cv.erode(binary,kernel)
    cv.imshow("erode_demo",erode_dst)


#膨胀：背景膨胀，中间图片被膨胀变小，平滑对象边缘
def dilate_demo(image):
    print(image.shape)
    gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
    cv.imshow("binary",binary)
    kernel=cv.getStructuringElement(cv.MORPH_RECT,(3,3))#腐蚀形状为3*3的矩阵
    dilate_dst=cv.dilate(binary,kernel)
    cv.imshow("dilate_demo",dilate_dst)


src = cv.imread("D:/OpenCV/opencv/sources/samples/data/lena.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
#调用函数对二值化图像进行操作
erode_demo(src)
dilate_demo(src)
#直接对彩色图像对象操作
kernel=cv.getStructuringElement(cv.MORPH_RECT,(5,5))
erode_dst=cv.erode(src,kernel)
cv.imshow("erode_result",erode_dst)
dilate_dst=cv.dilate(src,kernel)
cv.imshow("dilate_result",dilate_dst)
cv.waitKey(0)
cv.destroyAllWindows()
print("Hi,python!")

运行结果

二值图像

可以看出，腐蚀图片（erode）中，背景图片被腐蚀，所以黑色的区域变粗。膨胀图片（dilate）中，背景图片膨胀，所以黑色区域变细。

彩色图像

可以看出，腐蚀图像（erode）中，背景被腐蚀，所以图像变暗。膨胀图像（dilate）中，背景膨胀，所以图像变亮。

函数补充说明

kernel=cv.getStructuringElement(cv.MORPH_RECT,(3,3))
erode_dst=cv.erode(binary,kernel)
dilate_dst=cv.dilate(binary,kernel)

进行 腐蚀 操作的函数是 erode 。 它接受了三个参数:

src: 原图像

erosion_dst: 输出图像

element: 腐蚀操作的内核。 如果不指定，默认为一个简单的 3x3 矩阵。否则，我们就要明确指定它的形状，可以使用函数 getStructuringElement:

Mat element = getStructuringElement( erosion_type,
Size( 2erosion_size + 1, 2erosion_size+1 ),
Point( erosion_size, erosion_size ) );
我们可以为我们的内核选择三种形状之一:

矩形: MORPH_RECT
交叉形: MORPH_CROSS
椭圆形: MORPH_ELLIPSE
然后，我们还需要指定内核大小，以及 锚点 位置。不指定锚点位置，则默认锚点在内核中心位置。

膨胀与腐蚀类似。