图像处理之图像腐蚀

图像的腐蚀(erosion)是基本的形态学运算,主要用来寻找图像中极小区域.

一、图像腐蚀基本原理

腐蚀操作就是拿这个结构元素的中心位置（假设参与逻辑计算的元素对应与二维矩阵中元素为1的点，即网格板上的孔），在图像上移动时，如果透过所有的孔都能看到底下的图像，那么这个中心点处的图像就保留，否则去除。
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。
腐蚀的方法是，拿B的中心点和X上的点一个一个地对比，如果B上的所有点都在X的范围内，则该点保留，否则将该点去掉；右边是腐蚀后的结果。可以看出，它仍在原来X的范围内，且比X包含的点要少，就象X被腐蚀掉了一层。

图像进行腐蚀处理后，高亮区减少(白色区域减少)。

二、图像腐蚀代码实现

形态学转换主要针对的是二值图像（0或1），因此需要将图像进行二值化后再使用卷积核对图像进行腐蚀。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。
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0。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。

使用erode函数进行腐蚀

dst = cv2.erode(src, kernel, iterations)

src是图形路径
kernel是卷积核的定义，可以使用np.ones((5,5), np.uint8) 定义一个5*5的卷积核
iterations是迭代次数，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。

将本地图像进行腐蚀并显示

import cv2
import numpy as np
src=cv2.imread('C:/Users/wanqian/Desktop/1/12.jpg',cv2.IMREAD_UNCHANGED)
#设置卷积核
kernel = np.ones((5,5),np.uint8)
#图像腐蚀处理
erosion=cv2.erode(src,kernel)
#显示图像
cv2.imshow("src",src)
cv2.imshow("result",erosion)
#等待显示
cv2.waitKey(0)
cv2.destroyAlLWindows()

可以看到图像高亮部分减少，但是大体轮廓并没有改变