【642】Python 实现膨胀、腐蚀、提取边线

[1] python实现膨胀与腐蚀

[2] 图像腐蚀与图像膨胀（Python篇）

[3] OpenCV 图像处理之膨胀与腐蚀【推荐】

膨胀
```
cv2.dilate(img, kernel, 1)
```
腐蚀
```
cv2.erode(img, kernel, iterations=1)
```

开运算

开运算：先腐蚀，再膨胀
cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, 1)

闭运算

闭运算：先膨胀，再腐蚀
cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

梯度计算：
膨胀的图像 - 腐蚀的图像
用大一圈的图像减去小一圈的图像正好就是边缘的信息。
```
cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
```

1. 基本概念

　　图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找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。

1.1 膨胀（或）

　　通过卷积运算，对于膨胀而言，结果是 0 的还是 0，结果大于 0 的就赋值为 1（针对二值图）

　　相当于或操作，只有 0 才为 0，其他都为 1（针对二值图）

　　更通俗的说法：这里我们指定范围为3*3的矩阵，kernel（卷积核核）指定为全为1的3*3矩阵，卷积计算后，该像素点的值等于以该像素点为中心的3*3范围内的最大值。如果是二值图像，只要包含周围白的部分，就变为白的。

1.2 腐蚀（与）

　　通过卷积运算，对于腐蚀而言，结果是最大值的才是 1，其他就赋值为 0（针对二值图）

　　相当于与操作，只有最大值才为 1，其他均赋值为 0（针对二值图）

　　举例：如果是十字形，则需要卷积值为 5 才会赋值为 1，其他均赋值为 0（针对二值图）

　　更通俗的说法：腐蚀操作和膨胀操作相反，也就是将毛刺消除，判断方法为：在卷积核大小中对图片进行卷积。取图像中（3 * 3）区域内的最小值。如果是二值图像，就是取0（黑色）。总结：只要原图片3 * 3范围内有黑的，该像素点就是黑的。

2. 实现过程

2.1 膨胀实现

img = cv2.imread('Pic/corrode.png')
def cv_show(img):
    cv2.imshow('', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
cv_show(img)
 
kernel = np.ones((3, 3), dtype=np.uint8)
dilate = cv2.dilate(img, kernel, 1) # 1:迭代次数，也就是执行几次膨胀操作
cv_show(dilate)
 
# 更改卷积核大小
kernel_2 = np.ones((4, 4), dtype=np.uint8) # 卷积核变为4*4
dilate = cv2.dilate(img, kernel_2, 1)
cv_show(dilate)
 
# 更改迭代次数
kernel = np.ones((3, 3), dtype=np.uint8)
dilate = cv2.dilate(img, kernel, 2) # 更改迭代次数为2
ss = np.hstack((img, dilate))
cv_show(ss)

2.2 腐蚀实现

kernel = np.ones((3, 3), dtype=np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
ss = np.hstack((img, erosion))
cv_show(ss)
 
# 更改卷积核大小
 
kernel_2 = np.ones((4, 4), dtype=np.uint8)
erosion = cv2.erode(img, kernel_2, iterations=1)
ss = np.hstack((img, erosion))
cv_show(ss)
 
# 更改迭代次数
 
kernel = np.ones((3, 3), dtype=np.uint8)
erosion = cv2.erode(img, kernel, iterations=2)
ss = np.hstack((img, erosion))
cv_show(ss)

2.3 开运算与闭运算

# 开运算
 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, 1)
ss = np.hstack((img, opening))
cv_show(ss)
 
# 闭运算
 
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)  ## 有缺陷，填补缺陷
ss = np.hstack((img, closing))
cv_show(ss)

　　开运算可以用来去噪声

img = cv2.imread('seg.png')
 
kernel = np.ones((5, 5), dtype=np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, 1)
ss = np.hstack((img, opening))
show(ss)
 
cv2.imwrite('seg_smooth.png', opening)

2.4 梯度运算

1 2	`gradient` `=` `cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)` `cv_show(gradient)`

　　具体实现

img = cv2.imread('seg.png')
kernel = np.ones((3, 3), dtype=np.uint8)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
ss = np.hstack((img, gradient))
show(ss)