【OpenCV入门】第六部分——腐蚀与膨胀

腐蚀

腐蚀操作可以让图像沿着自己的边界向内收缩。OpenCV通过”核“来实现收缩计算。“核”在形态学中可以理解为”由n个像素组成的像素块“，像素块包含一个核心（通常在中央位置，也可以定义在其他位置）。像素块会在图像的边缘移动，在移动过程中，核会将图像边缘那些与核重合但又没有越过核心的像素点都抹除，效果如下：

OpenCV将腐蚀操作封装成了erode()方法：

dst = ccv2.erode(src, kernel, anchor, iterations, borderType, borderValue)

• src： 原始图像
• kernel： 腐蚀使用的核
• anchor：（可选）核的锚点位置
• iteration：（可选）腐蚀操作的迭代次数，默认值为1
• borderType：（可选）边界样式，建议默认
• borderValue：（可选）边界值，建议默认
• dst ：经过腐蚀之后的图像

在OpenCV做腐蚀或其他形态学操作时，通常使用NumPy模块来创建核数组，例如：

import numpy as np
k = np.ones((5,5), np.uint8)

这两行代码创建了一个数组，可以当作erode()方法的核参数。除了5×5的结构，还可以使用3×3、9×9等其他结构，行列数越大，计算出来的效果就越粗糙，行列数越小，计算出的效果就越精细。

实例1： 将仙人球图像中的刺都抹除掉

import cv2
import numpy as np
img = cv2.imread("cactus.jpg")  # 读取原图
k = np.ones((3, 3), np.uint8)  # 创建3*3的数组作为核
cv2.imshow("img", img)  # 显示原图
dst = cv2.erode(img, k)  # 腐蚀操作
cv2.imshow("dst", dst)  # 显示腐蚀效果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下：

如果是（1，1），等于没削；如果是（5，5），直接削皮了。

膨胀

膨胀操作与腐蚀操作正好相反，膨胀操作可以让图像沿着自己的边界向外扩张。同样是通过核计算，当核在图像的边缘移动时，核会将图像边缘填补新的像素，效果如下：

dst = cv2.dilate(src, kernel, anchor, iterations, borderType, borderValue)

• src： 原始图像
• kernel： 膨胀使用的核
• iteration：（可选）膨胀操作的迭代次数，默认值为1
• borderType：（可选）边界样式，建议默认
• borderValue：（可选）边界值，建议默认
• dst ：经过膨胀之后的图像

实例2： 将图像加工成”近视眼“效果

import cv2
import numpy as np
img = cv2.imread("sunset.jpg")  # 读取原图
k = np.ones((9, 9), np.uint8)  # 创建9*9的数组作为核
cv2.imshow("img", img)  # 显示原图
dst = cv2.dilate(img, k)  # 膨胀操作
cv2.imshow("dst", dst)  # 显示膨胀效果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下：

开运算

开运算就是先将图像进行腐蚀操作，再进行膨胀操作。开运算可以用来抹除图像外部的细节（或者噪声）

例如图 7.13 是一个简单的二叉树，父子节点之间都有线连接。如果对此图像进行腐蚀操作，可以得出如图 7.14 所示的图像，连接线消失了，节点也比原图节点小一圈。此时再执行膨胀操作，让缩小的节点膨胀回原来的大小，就得出了如图 7.15 所示的效果。

这三张图就是开运算的过程，从结果可以明显地看出: 经过开运算之后，二叉树中的连接线消失了，只剩下光秃秃的节点。因为连接线被核当成“细节”抹除了，所以利用检测轮廓的方法就可以统计出二叉树节点数量，也就是说在某些情况下，开运算的结果还可以用来做数量统计。

实例3： 抹除黑种草图像中的针状叶子

import cv2
import numpy as np
img = cv2.imread("nigella.png")  # 读取原图
k = np.ones((5, 5), np.uint8)  # 创建5*5的数组作为核
cv2.imshow("img", img)  # 显示原图
dst = cv2.erode(img, k)  # 腐蚀操作
dst = cv2.dilate(dst, k)  # 膨胀操作
cv2.imshow("dst", dst)  # 显示开运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下：

闭运算

闭运算就是将图像先进行膨胀操作，再进行腐蚀操作。闭运算可以抹除图像内部的细节（或者噪声）。

例如图 7.19 是一个身上布满斑点的小蜘蛛，这些斑点就是图像的内部细节。先将图像进行膨胀操作，小蜘蛛身上的斑点 (包括小眼睛)就被抹除掉，效果如图 7.20 所示。然后再将图像进行腐蚀操作，让膨胀的小蜘蛛缩回原来的大小，效果如图 7.21 所示。

闭运算除了会抹除图像内部的细节，还会让一些里的较近的区域合并成一块区域。

形态学方法

OpenCV提供了一个morphologyEx()形态学方法，包含了所有常用的运算。

dst = cv2.morphologyEx(src, op, kernel, anchor, iterations, borderType, borderValue)

• src： 原始图像
• op： 操作类型

参数值	含义
cv2.MORPH_ERODE	腐蚀操作
cv2.MORPH_DILATE	膨胀操作
cv2.MORPH_OPEN	开运算，先腐蚀后膨胀
cv2.MORPH_CLOSE	闭运算，先膨胀后腐蚀
cv2.MORPH_GRADIENT	梯度运算，膨胀图减腐蚀图，可以得出简易的轮廓
cv2.MORPH_TOPHAT	顶帽运算，原始图像减开运算图像
cv2.MORPH_BLACKHAT	黑帽运算，闭运算图像减原始图像

• kernel： 操作过程中所使用的核
• anchor：（可选），核的锚点位置
• iteration：（可选）操作的迭代次数，默认值为1
• borderType：（可选）边界样式，建议默认
• borderValue：（可选）边界值，建议默认
• dst ：操作之后得到的图像

梯度运算

这里的梯度指的是图像梯度，可以简单地理解为像素的变化程度。几个连续的像素，其像素值跨度越大，则梯度值越大。

梯度运算就是让原图的膨胀图像减去原图的腐蚀图像。因为膨胀图比原图大，腐蚀图像比原图小，利用腐蚀图像将膨胀图像掏空，就得到了原图的 轮廓图像（大概，并不精准）。

实例4： 通过梯度运算画出小蜘蛛的轮廓

import cv2
import numpy as np
img = cv2.imread("spider.png")  # 读取原图
k = np.ones((5,5), np.uint8)  # 创建5*5的数组作为核
cv2.imshow("img", img)  # 显示原图
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k) # 进行梯度运算
cv2.imshow("dst", dst)  # 显示梯度运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下：

顶帽运算

顶帽运算就是让原图减去原图的开运算图像，得到图像的外部细节。

实例5： 通过顶帽运算画出小蜘蛛的腿

import cv2
import numpy as np
img = cv2.imread("spider.png")  # 读取原图
k = np.ones((5, 5), np.uint8)  # 创建5*5的数组作为核
cv2.imshow("img", img)  # 显示原图
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)  # 进行顶帽运算
cv2.imshow("dst", dst)  # 显示顶帽运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下：

黑帽运算

黑帽运算就是让原图的闭运算图像减去原图，得到原图像的内部细节。

实例6： 通过黑帽运算画出小蜘蛛身上的花纹

import cv2
import numpy as np
img = cv2.imread("spider2.png")  # 读取原图
k = np.ones((5, 5), np.uint8)  # 创建5*5的数组作为核
cv2.imshow("img", img)  # 显示原图
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)  # 进行黑帽运算
cv2.imshow("dst", dst)  # 显示黑帽运算结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

结果如下：