Opencv基础操作-腐蚀操作-膨胀操作_opencv 膨胀

腐蚀操作

腐蚀操作原理（使价值信息越来越少）

初始化一个核（初始化大小和尺寸），类似于一个滑动窗口，在目标图像上面进行遍历，若这个窗口内图像的像素都大于或者都小于窗口元素（都为前景或者背景）则不进行操作，若不同，则将窗口内对应的图像像素进行腐蚀操作（将窗口内的图像元素替换为窗口内图像元素的最小值）。即若窗口内的图像像素相同，不进行操作，若不同，则将将窗口内的图像元素替换为窗口内图像像素的最小值。（腐蚀膨胀操作一般应用于灰度图或者二值图，所有最大值与最小值一般分别为1和0）

腐蚀操作的标准范式

# 定义腐蚀操作的结构元素
kernel = np.ones((3, 3), np.uint8)  # 可以调整结构元素的大小和形状

# 进行腐蚀操作
eroded_image = cv2.erode(image, kernel, iterations=1)
1
2
3
4
5

初始化核的大小，越大一次性比较的区域越大，则一次迭代腐蚀的区域会越大，定义迭代次数，即对输入进行多少次腐蚀。

腐蚀前后结果对比

def read_img(img_path, mode=cv2.IMREAD_COLOR):
    """

    :param mode:
    :param img_path: 图像路径
    :return: array
    """
    return cv2.imread(img_path, mode)


def img_show(name, img):
    """

    :param name: 窗口名称
    :param img: 图像数据array
    """
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == '__main__':
    img_path_3 = '780.jpg'
    # 默认读取BGR
    image_3 = read_img(img_path_3)
    img_3 = cv2.resize(image_3, (224, 224))
    # 腐蚀操作
    kernel = np.zeros((5, 5), np.uint8)
    erosion = cv2.erode(img_3, kernel, iterations=1)
    result = np.hstack((img_3, erosion))
    img_show('==', result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

结果：

---

不同腐蚀次数结果对比

def read_img(img_path, mode=cv2.IMREAD_COLOR):
    """

    :param mode:
    :param img_path: 图像路径
    :return: array
    """
    return cv2.imread(img_path, mode)


def img_show(name, img):
    """

    :param name: 窗口名称
    :param img: 图像数据array
    """
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == '__main__':
    img_path_3 = '780.jpg'
    # 默认读取BGR
    image_3 = read_img(img_path_3)
    img_3 = cv2.resize(image_3, (224, 224))
    # 腐蚀操作
    kernel = np.zeros((5, 5), np.uint8)
    erosion_1 = cv2.erode(img_3, kernel, iterations=1)
    erosion_2 = cv2.erode(img_3, kernel, iterations=2)
    erosion_3 = cv2.erode(img_3, kernel, iterations=3)
    result = np.vstack((erosion_1, erosion_2, erosion_3))
    img_show('--', result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

迭代次数越多，腐蚀程度越大，迭代次数在一定程度上等效于窗口大小

---

膨胀操作

膨胀操作原理（腐蚀的逆操作）

初始化一个核（初始化大小和尺寸），类似于一个滑动窗口，在目标图像上面进行遍历，若这个窗口内图像的像素都大于或者都小于窗口元素（都为前景或者背景）则不进行操作，若不同，则将窗口内对应的图像像素进行膨胀操作（将窗口内的图像元素替换为窗口内图像元素的最大值）。即若窗口内的图像像素相同，不进行操作，若不同，则将将窗口内的图像元素替换为窗口内图像像素的最大值.（腐蚀膨胀操作一般应用于灰度图或者二值图，所有最大值与最小值一般分别为1和0）

标准范式

    kernel = np.ones((5, 5), np.uint8)
    erosion = cv2.dilate(img_3, kernel, iterations=1)
1
2

样例

def read_img(img_path, mode=cv2.IMREAD_COLOR):
    """

    :param mode:
    :param img_path: 图像路径
    :return: array
    """
    return cv2.imread(img_path, mode)


def img_show(name, img):
    """

    :param name: 窗口名称
    :param img: 图像数据array
    """
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == '__main__':
    img_path_3 = '780.jpg'
    # 默认读取BGR
    image_3 = read_img(img_path_3)
    img_3 = cv2.resize(image_3, (224, 224))
    # 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    # 腐蚀操作
    kernel = np.ones((5, 5), np.uint8)
    erosion = cv2.dilate(img_3, kernel, iterations=1)
    result = np.hstack((img_3, erosion))
    img_show('==', result)

    erosion_1 = cv2.dilate(img_3, kernel, iterations=1)
    erosion_2 = cv2.dilate(img_3, kernel, iterations=2)
    erosion_3 = cv2.dilate(img_3, kernel, iterations=3)
    result = np.vstack((erosion_1, erosion_2, erosion_3))
    img_show('--', result)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

膨胀一次

膨胀多次

总结

图像选的不太合适呀，对于膨胀和腐蚀原理的解释和官方的不太一致，是我自己的理解。总得来说，腐蚀/膨胀操作就是通过一个滑动窗口，若滑动窗口内图像的元素不完全一致，则执行膨胀或者腐蚀，将窗口内图像的像素置为前景或者背景，一般应用于灰度图和二值图

若理解有误，欢迎大家指正