OpenCV-Python實現(xiàn)腐蝕與膨脹的實例

什么是形態(tài)學

要了解腐蝕之前，我們需要了解一個概念：形態(tài)學。

形態(tài)學，又名數(shù)學形態(tài)學（Mathematical Morphology），是圖像處理過程中一個非常重要的研究方向。形態(tài)學主要從圖像內提取分量信息，該分量信息通常對于表達和描繪圖像的形狀具有重要的意義，通常是圖像理解時所使用的最本質的形狀特征。

例如，在識別手寫數(shù)字時，能夠通過形態(tài)學運算得到其骨架信息，在具體的識別時，僅針對其骨架進行運算即可。形態(tài)學處理在視覺檢測，文字識別，醫(yī)學圖像處理，圖像壓縮編碼等領域都有非常重要的應用。

形態(tài)學操作主要包含：腐蝕，膨脹，開運算，閉運算，形態(tài)學梯度運算，頂帽運算，黑帽運算等操作。腐蝕操作與膨脹操作是形態(tài)學的運算基礎，將腐蝕與膨脹結合，就可以實現(xiàn)開運算，閉運算，形態(tài)學梯度等不同形式的運算。

所以本篇博文將重點講解腐蝕與膨脹。

腐蝕

腐蝕是最基本的形態(tài)學操作之一，它能夠將圖像的邊界點消除，使圖像沿著邊界向內收縮，也可以將小于指定結構體元素的部分去除。腐蝕主要用來“收縮”或者“細化”二值圖像中的前景，借此實現(xiàn)去噪聲，元素分割等功能。

在腐蝕的過程中，通常使用一個結構元來逐個像素地掃描要被腐蝕的圖像，并根據(jù)結構元和被腐蝕的圖像的關系來確定腐蝕結果。

首先，我們來看一張腐蝕處理圖：

（1）表示要被腐蝕的圖像

（2）結構元

（3）橙色數(shù)字是結構元在遍歷圖像時，結構元完全位于前景對象內部時的3個全部可能的位置；此時，結構元分別位于img[2,1]，img[2,2]，img[2,3]處。

（4）腐蝕結果result，即在結構元完全位于前景圖像中時，將其中心點所對應的result中的像素點的值置為1；當結構元不完全位于前景圖像中時，將其中心點對應的result中的像素點置為0。（按位與）

在OpenCV中，使用函數(shù)cv2.erode()實現(xiàn)腐蝕操作，其完整定義如下：

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

src：原始圖像

kernel：結構元，可以自定義，也可以通過函數(shù)cv2.getStructuringElement()生成

iterations：腐蝕操作迭代的次數(shù)，默認為1，即只進行一次操作

至于其他參數(shù)以及取值，前面博文都有介紹，這里不在贅述。

下面，我們使用該函數(shù)來測試一下腐蝕的操作：

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()

運行之后，我們得到的效果對比圖如下：

可以看到，腐蝕操作將原始圖像內的毛刺給腐蝕掉了，如果想腐蝕的更嚴重，可以設置iterations參數(shù)的值。

膨脹

膨脹與腐蝕正好相反，膨脹能對圖像的邊界進行擴張。膨脹操作將與當前的對象（前景）接觸到的背景點合并到當前對象內，從而實現(xiàn)將圖像邊界點向外擴張。如果圖像內的兩個對象距離較近，可能在膨脹后連接到一起。

膨脹操作對填補圖像分割后圖像內所存在的空白相當有幫助。同樣的，膨脹也需要一個結構元進行操作。下面，我們還是用矩陣來講解膨脹的原理。

（1）待膨脹的原圖

（2）結構元

（3）橙色部分是結構元遍歷原圖時，結構元中心像素點位于[1,1]，img[3,3]時，與前景色存在重合像素點的兩種情況，實際上共有9個這樣的與前景對象重合的可能位置。結構元中心分別位于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）膨脹后的結果圖像result，在結構元內，當任意一個像素點與前景對象重合時，其中心點所對應的膨脹結果圖像內的像素點的值為1；當結構元與前景對象完全無重合時，其中心點對應的膨脹結果圖像內像素點的值為0。（按位或）

在OpenCV中，它給我們提供cv2.dilate()實現(xiàn)對圖像的膨脹操作。其完整定義如下：

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

src：原始圖像

kernel：結構元

其他參數(shù)與前文一致，不在贅述。下面，我們使用該函數(shù)測試膨脹的效果，具體代碼如下所示：

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()

運行之后，效果如下所示：

可以看到，圖像的頭像膨脹之后與身體連接到了一起，同時旁邊的線條也被加粗。如果想膨脹的更嚴重，可以修改iterations參數(shù)的值。

到此這篇關于OpenCV-Python實現(xiàn)腐蝕與膨脹的實例的文章就介紹到這了,更多相關OpenCV 腐蝕與膨脹內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！