Python图像处理：图像腐蚀与图像膨胀
图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要⽤来寻图像中的极⼤区域和极⼩区域。其中膨胀类似于“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；腐蚀类似于“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。
1.图像膨胀
膨胀的运算符是“⊕”，其定义如下：
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，其形状可以为正⽅形或圆形，通过模板B与图像A进⾏卷积计算，扫描图像中的每⼀个像素点，⽤模板元素与⼆值图像元素做“与”运算，如果都为0，那么⽬标像素点为0，否则为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。
2.图像腐蚀
腐蚀的运算符是“－”，其定义如下：
该公式表⽰图像A⽤卷积模板B来进⾏腐蚀处理，通过模板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。
处理结果如下图所⽰：
⼆. 图像腐蚀代码实现
numpy库运行速度
1.基础理论
形态学转换主要针对的是⼆值图像（0或1）。图像腐蚀类似于“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库可以⽣成。卷积核的中⼼点逐个像素扫描原始图像，如下图所⽰：
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，否则其值修改为0。换句话说，遍历到的黄⾊点位置，其周围全部是⽩⾊，保留⽩⾊，否则变为⿊⾊，图像腐蚀变⼩。
2.函数原型
图像腐蚀主要使⽤的函数为erode，其原型如下：
dst = de(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，可以采⽤函数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，也可以根据需要进⾏多次迭代，进⾏多次腐蚀。
3.代码实现
完整代码如下所⽰：
输出结果如下图所⽰：
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 = de(src, kernel,iterations=9)
输出结果如下图所⽰：
三. 图像膨胀代码实现
1.基础理论
图像膨胀是腐蚀操作的逆操作，类似于“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，但是会压缩图像。
(2) 对腐蚀过的图像，进⾏膨胀处理，可以去除噪声，并且保持原有形状。
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库可以⽣成。卷积核的中⼼点逐个像素扫描原始图像，如下图所⽰：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。