[Python图像处理] 八.图像腐蚀与图像膨胀

时间 2020-05-14 标签 python 图像处理八图像腐蚀图像膨胀

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各类算法，包括图像锐化算子、图像加强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。但愿文章对您有所帮助，若是有不足之处，还请海涵~python

该系列在github全部源代码：https://github.com/eastmountyxz/ImageProcessing-Python
PS：请求帮忙点个Star，哈哈，第一次使用Github，之后会分享更多代码，一块儿加油。git

前文参考：
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
 [Python图像处理] 二.OpenCV+Numpy库读取与修改像素
 [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
 [Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
 [Python图像处理] 五.图像融合、加法运算及图像类型转换
 [Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
 [Python图像处理] 七.图像阈值化处理及算法对比web

本篇文章主要讲解Python调用OpenCV实现图像腐蚀和图像膨胀的算法，基础性知识但愿对您有所帮助。
1.基础理论
2.图像腐蚀代码实现
3.图像膨胀代码实现算法

PS：文章参考本身之前系列图像处理文章及OpenCV库函数，同时部分参考网易云视频，推荐你们去学习。同时，本篇文章涉及到《计算机图形学》基础知识，请你们下来补充。数组

PSS：文章参考本身之前系列图像处理文章及OpenCV库函数，同时部分参考网易云lilizong老师的视频，推荐你们去学习。同时，本篇文章涉及到《计算机图形学》基础知识，请你们下来补充。网络

PSS：2019年1~2月做者参加了CSDN2018年博客评选，但愿您能投出宝贵的一票。我是59号，Eastmount，杨秀璋。投票地址：https://bss.csdn.net/m/topic/blog_star2018/indexsvg

五年来写了314篇博客，12个专栏，是真的热爱分享，热爱CSDN这个平台，也想帮助更多的人，专栏包括Python、数据挖掘、网络爬虫、图像处理、C#、Android等。如今也当了两年老师，更是以为有义务教好每个学生，让贵州学子好好写点代码，学点技术，"师者，传到授业解惑也"，提早祝你们新年快乐。2019咱们携手共进，为爱而生。

一. 基础知识

（注：该部分参考做者论文《一种改进的Sobel算子及区域择优的身份证智能识别方法》）函数

图像的膨胀（Dilation）和腐蚀（Erosion）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。其中膨胀相似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大；腐蚀相似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。学习

1.图像膨胀
膨胀的运算符是“⊕”，其定义以下：

该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状能够为正方形或圆形，经过模板B与图像A进行卷积计算，扫描图像中的每个像素点，用模板元素与二值图像元素作“与”运算，若是都为0，那么目标像素点为0，不然为1。从而计算B覆盖区域的像素点最大值，并用该值替换参考点的像素值实现膨胀。下图是将左边的原始图像A膨胀处理为右边的效果图A⊕B。

处理结果以下图所示：

2.图像腐蚀
腐蚀的运算符是“－”，其定义以下：

该公式表示图像A用卷积模板B来进行腐蚀处理，经过模板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。

处理结果以下图所示：

二. 图像腐蚀代码实现

1.基础理论
形态学转换主要针对的是二值图像（0或1）。图像腐蚀相似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。其主要包括两个输入对象：
(1)二值图像
(2)卷积核
卷积核是腐蚀中的关键数组，采用numpy库能够生成。卷积核的中心点逐个像素扫描原始图像，以下图所示：

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，不然其值修改成0。换句话说，遍历到的黄色点位置，其周围所有是白色，保留白色，不然变为黑色，图像腐蚀变小。

2.函数原型
图像腐蚀主要使用的函数为erode，其原型以下：
dst = cv2.erode(src, kernel, iterations)
参数dst表示处理的结果，src表示原图像，kernel表示卷积核，iterations表示迭代次数。下图表示5*5的卷积核，能够采用函数 np.ones((5,5), np.uint8) 构建。

注意：迭代次数默认是1，表示进行一次腐蚀，也能够根据须要进行屡次迭代，进行屡次腐蚀。

3.代码实现
完整代码以下所示：

#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test01.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()

输出结果以下图所示：

由图可见，干扰的细线被进行了清洗，但仍然有些轮廓，此时可设置迭代次数进行腐蚀。

erosion = cv2.erode(src, kernel,iterations=9)

输出结果以下图所示：

三. 图像膨胀代码实现

1.基础理论
图像膨胀是腐蚀操做的逆操做，相似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了，主要用于去噪。
(1) 图像被腐蚀后，去除了噪声，可是会压缩图像。
(2) 对腐蚀过的图像，进行膨胀处理，能够去除噪声，而且保持原有形状。

它也包括两个输入对象：
(1)二值图像或原始图像
(2)卷积核
卷积核是腐蚀中的关键数组，采用numpy库能够生成。卷积核的中心点逐个像素扫描原始图像，以下图所示：

被扫描到的原始图像中的像素点，当卷积核对应的元素值只要有一个为1时，其值就为1，不然为0。

2.函数原型
图像膨胀主要使用的函数为dilate，其原型以下：
dst = cv2.dilate(src, kernel, iterations)
参数dst表示处理的结果，src表示原图像，kernel表示卷积核，iterations表示迭代次数。下图表示5*5的卷积核，能够采用函数 np.ones((5,5), np.uint8) 构建。

注意：迭代次数默认是1，表示进行一次膨胀，也能够根据须要进行屡次迭代，进行屡次膨胀。一般进行1次膨胀便可。

3.代码实现
完整代码以下所示：

#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像膨胀处理
erosion = cv2.dilate(src, kernel)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果以下所示：

图像去噪一般须要先腐蚀后膨胀，这又称为开运算，下篇文章将详细介绍。以下图所示：
erosion = cv2.erode(src, kernel)
result = cv2.dilate(erosion, kernel)

但愿文章对你们有所帮助，若是有错误或不足之处，还请海涵。最近经历的事情太多，有喜有悲，关闭了朋友圈，但愿经过不断学习和写文章来忘记烦劳，将忧郁转换为动力。哎，总感受本身在感动这个世界，帮助全部人，而本身却…保重。（By：Eastmount 2018-10-31 下午4点 https://blog.csdn.net/Eastmount/）