opencv图像处理基础之膨胀和腐蚀

膨胀和腐蚀是图像处理中最常用也是最基础的形态学操作。它可以改变图像的一些属性。其中比较常见的应用场景有：

1、边缘检测：膨胀和腐蚀可以提取二值图像中的边缘信息。通过先膨胀再腐蚀的操作，可以使边缘更加的明显。所以可以为边缘检测提供很好的辅助作用

2、噪声去除：在二值图像中可能存在一些噪声点，或者孤立的像素点，我们通过一定次数的腐蚀操作就可以将孤立的像素点消除掉，也可以通过一定次数的膨胀操作来填充小的噪声点。

3、图像分割：可以通过膨胀和腐蚀的操作，提取文本区域等等

4、形态学重建：形态学重建也是一种基于膨胀和腐蚀处理图像的方法，可以用于重建二值图像中的形状，比如在医学图像处理中就可以使用到形态学重建来分割肺部区域

5、形态学梯度：形态学梯度就是指的膨胀和腐蚀之间的差异，用于检测图像中的物体边缘，比如在工业质检中可以用来检测产品的缺陷和边缘

膨胀的原理：

膨胀操作是将图像中的物体边缘膨胀或者扩张。他将原始图像中的每个像素替换为它的相邻像素中的最大值。膨胀可以使物体变得更加的粗壮或者消除小的孤立区域。

腐蚀的原理：

腐蚀操作是将图像中的物体边缘腐蚀或者缩小。他将原始图像中的每个像素替换为它的相邻像素中的最小值。腐蚀可以使物体变得更加细小或者消除小的噪声点。

函数介绍：

在opencv中，可以用cv2.erode()函数和cv2.dilate()函数来实现腐蚀和膨胀操作。这两个函数都有相似的参数列表：

cv2.erode(src,kernel[,dst[,anchor[,iterations[,borderType[,borderValue]]]]])
cv2.dilate(src,kernel[,dst[,anchor[,iterations[,borderType[,borderValue]]]]])

其中，src使输入图像，kernel是核元素，用于计算膨胀或腐蚀的结构元素，dst是输出图像，anchor是结构元素的锚点位置，iterations是迭代次数，boderType是用于填充边缘的像素边界类型，borderValue是用于填充边缘的像素值

实例：

我们举个例子：

import cv2 as cv
import numpy as np


def test():
    # 读取图像
    img = cv.imread("input.jpg", cv.IMREAD_GRAYSCALE)
    # 定义结构元素
    kernel = np.ones((5, 5), np.uint8)

    # 腐蚀操作
    erosion = cv.erode(img, kernel, iterations=1)

    # 膨胀操作
    dilation = cv.dilate(img, kernel, iterations=1)

    # 膨胀再腐蚀
    re_erosion = cv.erode(dilation, kernel, iterations=1)

    cv.imshow("original", img)
    cv.imshow("erosion", erosion)
    cv.imshow("dilation", dilation)
    cv.imshow("re_erosion", re_erosion)
    cv.waitKey(0)
    cv.destroyAllWindows()


# Press the green button in the gutter to run the script.
if __name__ == '__main__':
    test()

原图：

膨胀后的效果（物体变粗）：

腐蚀后的效果（物体变细）

先膨胀再腐蚀后的效果（保留了更多的细节，并减少了噪点）