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。
到此这篇关于OpenCV-Python实现腐蚀与膨胀的实例的文章就介绍到这了,更多相关OpenCV 腐蚀与膨胀内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
