OpenCV 腐蚀与膨胀 OpenCV-Python实现腐蚀与膨胀的实例

什么是形态学

要了解腐蚀之前，我们需要了解一个概念：形态学。

形态学，又名数学形态学（Mathematical Morphology），是图像处理过程中一个非常重要的研究方向。形态学主要从图像内提取分量信息，该分量信息通常对于表达和描绘图像的形状具有重要的意义，通常是图像理解时所使用的最本质的形状特征。

例如，在识别手写数字时，能够通过形态学运算得到其骨架信息，在具体的识别时，仅针对其骨架进行运算即可。形态学处理在视觉检测，文字识别，医学图像处理，图像压缩编码等领域都有非常重要的应用。

形态学操作主要包含：腐蚀，膨胀，开运算，闭运算，形态学梯度运算，顶帽运算，黑帽运算等操作。腐蚀操作与膨胀操作是形态学的运算基础，将腐蚀与膨胀结合，就可以实现开运算，闭运算，形态学梯度等不同形式的运算。

所以本篇博文将重点讲解腐蚀与膨胀。

腐蚀

腐蚀是最基本的形态学操作之一，它能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除。腐蚀主要用来“收缩”或者“细化”二值图像中的前景，借此实现去噪声，元素分割等功能。

在腐蚀的过程中，通常使用一个结构元来逐个像素地扫描要被腐蚀的图像，并根据结构元和被腐蚀的图像的关系来确定腐蚀结果。

首先，我们来看一张腐蚀处理图：

（1）表示要被腐蚀的图像

（2）结构元

（3）橙色数字是结构元在遍历图像时，结构元完全位于前景对象内部时的3个全部可能的位置；此时，结构元分别位于img[2,1]，img[2,2]，img[2,3]处。

（4）腐蚀结果result，即在结构元完全位于前景图像中时，将其中心点所对应的result中的像素点的值置为1；当结构元不完全位于前景图像中时，将其中心点对应的result中的像素点置为0。（按位与）

在OpenCV中，使用函数cv2.erode()实现腐蚀操作，其完整定义如下：

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

src：原始图像

kernel：结构元，可以自定义，也可以通过函数cv2.getStructuringElement()生成

iterations：腐蚀操作迭代的次数，默认为1，即只进行一次操作

至于其他参数以及取值，前面博文都有介绍，这里不在赘述。

下面，我们使用该函数来测试一下腐蚀的操作：

import cv2
import numpy as np

img = cv2.imread("8.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.erode(img,kernel)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，我们得到的效果对比图如下：

可以看到，腐蚀操作将原始图像内的毛刺给腐蚀掉了，如果想腐蚀的更严重，可以设置iterations参数的值。

膨胀

膨胀与腐蚀正好相反，膨胀能对图像的边界进行扩张。膨胀操作将与当前的对象（前景）接触到的背景点合并到当前对象内，从而实现将图像边界点向外扩张。如果图像内的两个对象距离较近，可能在膨胀后连接到一起。

膨胀操作对填补图像分割后图像内所存在的空白相当有帮助。同样的，膨胀也需要一个结构元进行操作。下面，我们还是用矩阵来讲解膨胀的原理。

（1）待膨胀的原图

（2）结构元

（3）橙色部分是结构元遍历原图时，结构元中心像素点位于[1,1]，img[3,3]时，与前景色存在重合像素点的两种情况，实际上共有9个这样的与前景对象重合的可能位置。结构元中心分别位于img[1,1]，img[1,2]，img[1,3]，img[2,1]，img[2,2]，img[2,3]，img[3,1]，img[3,2]，img[3,3]。

（4）膨胀后的结果图像result，在结构元内，当任意一个像素点与前景对象重合时，其中心点所对应的膨胀结果图像内的像素点的值为1；当结构元与前景对象完全无重合时，其中心点对应的膨胀结果图像内像素点的值为0。（按位或）

在OpenCV中，它给我们提供cv2.dilate()实现对图像的膨胀操作。其完整定义如下：

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

src：原始图像

kernel：结构元

其他参数与前文一致，不在赘述。下面，我们使用该函数测试膨胀的效果，具体代码如下所示：

import cv2
import numpy as np

img = cv2.imread("8.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.dilate(img,kernel)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，效果如下所示：

可以看到，图像的头像膨胀之后与身体连接到了一起，同时旁边的线条也被加粗。如果想膨胀的更严重，可以修改iterations参数的值。