OpenCV图像腐蚀与膨胀原理及Python实现

OpenCV图像腐蚀与膨胀原理及Python实现

本文使用的编程语言为Python，并依赖OpenCV库进行图像处理。

图像腐蚀与膨胀的应用场景

探讨为何需要引入图像腐蚀和图像膨胀这两种基础形态学操作。

如示意图所示，单独使用图像腐蚀可以有效去除图像中的噪声点，但这一过程往往会导致物体边缘收缩，从而压缩了原始物体的尺寸。为了在去除噪声的同时保持原有物体的形状和大小，通常会对腐蚀后的图像进一步进行膨胀处理。这种组合操作既能有效清除噪声，又能较好地保留原始图像的几何特征。

图像腐蚀操作详解

图像腐蚀是形态学处理的基础操作之一。

图像腐蚀主要应用于二值图像，即图像像素值仅包含0和1两种情况。该操作需要两个输入对象：原始二值图像和卷积核（也称为结构元素）。处理过程是利用卷积核在原始图像上滑动遍历，只有当卷积核覆盖的所有对应像素值均为1时，输出图像中该位置的值才为1；否则，输出值为0。如图所示，红色区域代表卷积核的形状和大小。

腐蚀操作后的效果示意图显示，图像的边缘部分会被向内收缩，即抹掉一部分边缘像素，从而实现去噪或缩小物体的效果。

在OpenCV中，实现图像腐蚀的函数名为erode，中文含义为“侵蚀”。

调用该函数的基本语法格式为：处理结果 = cv2.erode(原始图像src, 卷积核kernel, 迭代次数iterations)。

卷积核kernel通常是一个正方形数组，用于定义腐蚀操作的形状和大小。

例如，可以使用NumPy创建一个5x5的全1数组作为卷积核：k=np.ones((5,5),np.uint8)。

迭代次数iterations指定腐蚀操作的重复次数，默认值为1。增加迭代次数会增强腐蚀效果，使物体缩小得更明显。

import cv2
import numpy as np
o=cv2.imread("erode.bmp",cv2.IMREAD_UNCHANGED)
k=np.ones((5,5),np.uint8)
r=cv2.erode(o,k,iterations=10)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

图像膨胀操作详解

图像膨胀是图像腐蚀的逆操作，常用于填补空洞或连接断开的区域。

图像膨胀同样针对二值图像进行处理。其输入参数包括二值图像和卷积核。

在处理过程中，使用卷积核对二值图像进行遍历。与腐蚀不同，只要卷积核覆盖的像素点中有一个为1，输出图像中对应位置的值即为1；否则为0。这种操作会使物体边缘向外扩张。

在OpenCV中，实现图像膨胀的函数名为dilate。调用格式为：结果 = cv2.dilate(二值图像src, 卷积核k, 迭代次数iterations)。其中，卷积核同样通常为正方形数组，例如np.ones((5,5),np.uint8)。

import cv2
import numpy as np
o=cv2.imread("dilation.bmp",cv2.IMREAD_UNCHANGED)
k=np.ones((5,5),np.uint8)
r=cv2.dilate(o,k,iterations=1)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

至此，关于OpenCV中图像腐蚀和图像膨胀的实现原理及代码示例已介绍完毕。如需了解更多相关内容，建议搜索本站过往文章或继续阅读后续系列教程，感谢大家的支持！