python opencv 图像处理（九）

最新推荐文章于 2022-01-02 23:06:32 发布

T1.Faker

最新推荐文章于 2022-01-02 23:06:32 发布

阅读量539

点赞数

分类专栏：图像处理文章标签：计算机视觉

本文链接：https://blog.csdn.net/weixin_42010722/article/details/118961988

版权

图像处理专栏收录该内容

26 篇文章 14 订阅

订阅专栏

图像腐蚀与图像膨胀

图像的腐蚀（ Erosion ）和膨胀（ Dilation ）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。

又出来新名词了：形态学。
简单来讲，图像形态学就是改变图像的形状，举例对于文字数字图像，将文字数字的线条变细或变粗。

图像形态学一些基本的运算包括：二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等等。
在这里插入图片描述
其中图像的膨胀和腐蚀是最基础的图像形态学操作，他们主要的功能如下：

消除噪声
分割( isolate )出独立的图像元素，在图像中连接( 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
求出图像的梯度

在接着往下看之前，有一点需要注意的是，图像的腐蚀与膨胀，主要针对的是二值图像（黑白图）的，其中进行变化的部分是图像的白色部分（高亮）部分，不是黑色部分。

图像膨胀就是图像中的高亮部分进行膨胀，「领域扩张」，效果图拥有比原图更大的高亮区域。

图像腐蚀就是原图中的高亮部分被腐蚀，「领域被蚕食」，效果图拥有比原图更小的高亮区域。

图像腐蚀

图像腐蚀其中有两个比较关键的输入对象，一个是二值图像，另一个是卷积核。

腐蚀：是一种消除边界点，使边界向内部收缩的过程

通俗讲法：在原图的每一个小区域里取最小值，由于是二值化图像，只要有一个点为0，则这个小区域的所有像素点都为0，来达到瘦身的目的
算法：用 3x3 的kernel，扫描图像的每一个像素；用 kernel 与其覆盖的二值图像做 “与” 操作；若都为1，则图像的该像素为1；否则为0.最终结果：使二值图像减小一圈。（也就是做卷积乘法，取图像尺寸与卷积核一样大小区域与卷积核一一像素值相乘，与卷积不同的是，卷积计算像素一一相乘后要累计求和，这里是需要判断是否存在相乘值为0的）

OpenCV 为图像腐蚀提供的函数是：erode() ，它的原函数如下：

def erode(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

src：原图像。
kernel：卷积核，可以采用函数 np.ones((5,5), np.uint8) 构建。
iterations：迭代次数，默认是迭代一次，表示进行一次腐蚀，如有需要，可进行多次迭代腐蚀。

这里通常设置卷积核所有值为1，只要是原始二值图像中像素值不为0，保留原始像素并做腐蚀处理。

import cv2 as cv
import numpy as np

def erode():
 # 图像读取
    src = cv.imread('data.jpg')
     # BGR 图像转灰度
    gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
    
    # 二值图像处理
    r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_TOZERO_INV)
    
    # 设置卷积核
    kernel = np.ones((3, 3),np.uint8)
    
    # 进行图像腐蚀，默认迭代 1 次
    dst1 = cv.erode(b, kernel)
    
    # 图像显示
    cv.imshow("source", src)
    cv.imshow("b",b)
    cv.imshow("dst1", dst1)
    
    # 等待操作
    cv.waitKey(0)
    cv.destroyAllWindows()

在这里插入图片描述
备注：卷积核的大小与迭代次数都会影响图像腐蚀的效果，通常卷积核越大，腐蚀效果越高，迭代次数越多，腐蚀效果越高，反之效果越小。

图像膨胀

图像膨胀正好和图像腐蚀相反，卷积核的中心点逐个扫描原始图像中的每一个像素点，被扫描到的原始图像中的像素点，只要有一个值为 1 时则为 1 ，否则为 0 。

OpenCV 为图像腐蚀提供的函数是：dilate() ，它的原函数如下：

def dilate(src, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

src：原图像。
kernel：卷积核，可以采用函数 np.ones((5,5), np.uint8) 构建。
iterations：迭代次数，默认是迭代一次，表示进行一次膨胀，如有需要，可进行多次迭代腐蚀。

示例代码如下：

import cv2 as cv
import numpy as np

def dilate():
 # 图像读取
    src = cv.imread('data.jpg')
     # BGR 图像转灰度
    gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
    
    # 二值图像处理
    r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_TOZERO_INV)
    
    # 设置卷积核
    kernel1 = np.ones((8, 8),np.uint8)

    # 进行图像腐蚀，默认迭代 1 次
    dst1 = cv.dilate(b, kernel1)

    
    # 图像显示
    cv.imshow("source", src)
    cv.imshow("b", b)
    cv.imshow("dst1", dst1)

    
    # 等待操作
    cv.waitKey(0)
    cv.destroyAllWindows()