【OpenCV】（八）—— 腐蚀和膨胀

【OpenCV】（八）------ 腐蚀和膨胀

腐蚀（Erosion）和膨胀（Dilation）是形态学图像处理中的两种基本操作，常用于二值图像和灰度图像的处理。这两种操作可以改变图像中对象的形状和大小，通常用于去除噪声、填充空洞、分离或连接对象等。

腐蚀操作会减小图像中前景对象的大小。具体来说，腐蚀会将图像中的每个像素与其邻域内的所有像素进行比较，只有当邻域内的所有像素都属于前景对象时，该像素才保留为前景对象。否则，该像素会被设置为背景。腐蚀可以用于消除图像中的毛刺等细小噪声。

膨胀操作会增大图像中前景对象的大小。具体来说，膨胀会将图像中的每个像素与其邻域内的所有像素进行比较，只要邻域内有一个像素属于前景对象，该像素就会被设置为前景对象。膨胀操作相当于突出主体内容（加粗）

在 OpenCV 中，腐蚀和膨胀分别由 cv2.erode 和 cv2.dilate 函数实现。

复制代码

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

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

参数说明

src: 输入图像。
kernel: 结构元素（通常是矩形或椭圆形），用于定义邻域的形状和大小。
dst: 输出图像。如果未指定，则默认与输入图像具有相同的类型和大小。
anchor: 结构元素的锚点位置，默认为 (-1, -1)，表示锚点位于结构元素的中心。
iterations: 迭代次数，默认为 1。增加迭代次数会增强腐蚀或膨胀的效果。
borderType: 边界填充方式，默认为cv2.BORDER_CONSTANT。常见的边界填充方式有：
- cv2.BORDER_CONSTANT: 用常数值填充边界。
- cv2.BORDER_REFLECT: 用镜像反射的方式填充边界。
- cv2.BORDER_REPLICATE: 用边界像素值重复填充边界。
- cv2.BORDER_WRAP: 用环绕方式填充边界。
borderValue: 边界填充的值，默认为 0。

【示例】使用的示例图片如下：

py 复制代码

# 可以选择不同的核大小核迭代次数来控制效果
kernel = np.ones((3,3))
erosion = cv2.erode(img,kernel,iterations= 2)

cv_show("erosion",erosion)

py 复制代码

# 先进行腐蚀去除毛刺，再使用膨胀突出主体
kernel = np.ones((3,3))
dilate = cv2.dilate(erosion,kernel,iterations=1)
cv_show("dilate",dilate)

开运算与闭运算

开运算（Opening）和闭运算（Closing）分别基于腐蚀（Erosion）和膨胀（Dilation）操作组合而成。开运算和闭运算在处理二值图像和灰度图像时非常有用，可以用于去除噪声、填充空洞、平滑对象边界等。

开运算是先腐蚀后膨胀的操作。开运算的主要作用是：

去除小的前景对象：可以去除图像中的小噪声点。
平滑对象边界：使对象的边界更加平滑，去除细小的凸起。

闭运算是先膨胀后腐蚀的操作。闭运算的主要作用是：

填充小的背景区域：可以填充图像中的小孔洞。
平滑对象边界：使对象的边界更加平滑，去除细小的凹陷。

在 OpenCV 中，开运算和闭运算分别由 cv2.morphologyEx 函数实现，通过设置不同的参数来选择相应的操作。

py 复制代码

# 开运算：先腐蚀，再膨胀
img = cv2.imread('dige.jpg')

kernel = np.ones((5,5))
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)

cv_show("opening",opening)

py 复制代码

# 闭运算：先膨胀，再腐蚀
img = cv2.imread('dige.jpg')

kernel = np.ones((5,5))
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv_show("closing",closing)

顶帽和黑帽

"黑帽"（Black Hat）和"顶帽"（Top Hat）是两种基于开运算和闭运算的高级操作。这些操作可以用于增强图像中的特定特征，如去除背景中的均匀区域或突出小的前景对象。

黑帽操作是先进行闭运算，然后从原图像中减去闭运算的结果。

顶帽操作是先进行开运算，然后从原图像中减去开运算的结果。

在 OpenCV 中，黑帽和顶帽操作分别由 cv2.morphologyEx 函数实现，通过设置不同的参数来选择相应的操作。

复制代码

cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst

参数说明

src: 输入图像。
op: 操作类型，可以是 cv2.MORPH_BLACKHAT（黑帽）或 cv2.MORPH_TOPHAT（顶帽）。
kernel: 结构元素，用于定义邻域的形状和大小。
dst: 输出图像。如果未指定，则默认与输入图像具有相同的类型和大小。
anchor: 结构元素的锚点位置，默认为 (-1, -1)，表示锚点位于结构元素的中心。
iterations: 迭代次数，默认为 1。增加迭代次数会增强黑帽或顶帽的效果。
borderType: 边界填充方式，默认为cv2.BORDER_CONSTANT。常见的边界填充方式有：
- cv2.BORDER_CONSTANT: 用常数值填充边界。
- cv2.BORDER_REFLECT: 用镜像反射的方式填充边界。
- cv2.BORDER_REPLICATE: 用边界像素值重复填充边界。
- cv2.BORDER_WRAP: 用环绕方式填充边界。
borderValue: 边界填充的值，默认为 0。

py 复制代码

# 礼帽：原始输入-开运算结果
img = cv2.imread('dige.jpg')
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv_show("tophat",tophat)

py 复制代码

# 黑帽：闭运算结果-原始输入
img = cv2.imread('dige.jpg')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv_show("blackhat",blackhat)