[转]OpenCV 图像处理之膨胀与腐蚀

目录

• 1、什么是膨胀与腐蚀
• 2、形态学处理——膨胀
  • 2.1 更改卷积核大小
  • 2.2、更改迭代次数
• 3、形态学处理——腐蚀操作
  • 3.1、更改卷积核大小
  • 3.2、更改迭代次数
• 4、开运算和闭运算
  • 4.1、开运算
  • 4.2、闭运算
• 5、梯度计算
• 6、顶帽和黑帽
  • 6.1、顶帽计算
  • 6.2、黑帽操作
• 扩展（原创）：使用OpenCvSharp的膨胀腐蚀

原文链接：OpenCV 图像处理之膨胀与腐蚀

1、什么是膨胀与腐蚀#

膨胀与腐蚀属于形态学范围，具体的含义根据字面意思来理解即可，但是更形象的话就是“增肥”与“减肥”。

它们的用途就是用来处理图形问题上，总结性的来说：

• 膨胀用来处理缺陷问题；
• 腐蚀用来处理毛刺问题。

膨胀就是把缺陷给填补了，腐蚀就是把毛刺给腐蚀掉了。这里其实说的并不严谨，只是为了大家理解方便，下面我们就用实例来进行演示。

2、形态学处理——膨胀#

我们先引入一张图片进行分析。 程序实现：

img = cv2.imread('Pic/corrode.png')
def cv_show(img):
    cv2.imshow('', img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
cv_show(img)

图中我们可以看到，这张图片是一个二值图片（只有黑白），而且还增加了一些毛刺。而且还包含字体中还包含一些小的间隙（缺陷）。

下面我们对这张图片进行膨胀处理。膨胀是如何处理的呢？对于一个像素点，我们需要先指定对每个像素点膨胀的范围。

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。由于我们是二值图像，所以只要包含周围白的部分，就变为白的。

总结：只要原图片3*3范围内有白的，该像素点就是白的。

程序实现：

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)

2.1 更改卷积核大小#

如果我们更改核的大小（4 * 4），也就改变了膨胀的程度， 只要4 * 4范围内有白的就变成白的。

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)

2.2、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)

分析： 更改迭代次数将为2，将对图片进行2次的膨胀操作

3、形态学处理——腐蚀操作#

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，由于我们是二值图像，也就是取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。
程序实现：

kernel = np.ones((3, 3), dtype=np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
ss = np.hstack((img, erosion))
cv_show(ss)

分析：可以看出来毛刺部分被清除掉，但与此同时字体边缘部分也向里凹陷了一部分。

3.1、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)

分析：卷积核变大后，我们发现他已经腐蚀的部分有点多了，字体原来的部分也被清除。

3.2、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)

分析： 增加迭代次数后，腐蚀变得更加厉害，所以应该选择合适的迭代次数。

4、开运算和闭运算#

开运算：先腐蚀，再膨胀
闭运算：先膨胀，再腐蚀

我们在上面的膨胀和腐蚀的图片中可以看到，图片大小程度上都受到了损失，字体信息缺失或者变粗等等。如果我们不想更改原有信息，即字体粗细。那么我们可以使用上面的两种运算。例如开运算，先对字体进行变细，再对字体进行变粗，整体上字体粗细不会发生变化。毛刺信息在腐蚀的时候就已经消除了，膨胀也不会膨胀出多余信息。

4.1、开运算#

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, 1)
ss = np.hstack((img, opening))
cv_show(ss)

分析：我们发现大部分毛刺已经消除，而且字体信息也没有发生变化，这也就是我们想要的效果。虽然仍然有一部信息没有被清除，我们只需要调整卷积核的大小就可以实现。

4.2、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)

分析： 字体不改变的前提下，我们把字体缺陷信息补全。

5、梯度计算#

梯度计算主要显示的是边缘信息，计算方法：

膨胀的图像 - 腐蚀的图像

我们明显的看出，用大一圈的图像减去小一圈的图像正好就是边缘的信息。

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

分析： 我们可以看出来，我们形成了一个空心的字体样式

6、顶帽和黑帽#

顶帽计算：原始图像 - 开运算结果
黑帽计算：闭运算结果 - 原始图像

6.1、顶帽计算#

我们知道开运算的结果就是去除毛刺，我们原始图像减去开运算结果就是我们要消除的毛刺信息。

top_hat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
ss = np.hstack((img, top_hat))
cv_show(ss)

分析：可以看出来，所有的毛刺信息我们全部提取了出来。

6.2、黑帽操作#

顶帽操作显示毛刺，那么黑帽就是显示缺陷。

black_hat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
ss = np.hstack((img, black_hat))
cv_show(ss)

分析： 这里我们看的不是很明显，我们只需要知道黑帽所处理的问题是什么。针对不同的场景应用不同的方法。

扩展（原创）：使用OpenCvSharp的膨胀腐蚀#

上面的示例都是python代码，我用OpenCvSharp比较多，下面是膨胀腐蚀相关的代码：

using OpenCvSharp;

namespace OpencvTest
{
    internal class Program
    {
        static void Main(string[] args)
        {
            using var src = new Mat("test.png", ImreadModes.Grayscale);
            Mat kernel = Cv2.GetStructuringElement(MorphShapes.Rect, new Size(3, 3));

            //开运算
            Mat open = new Mat();
            Cv2.MorphologyEx(src, open, MorphTypes.Open, kernel,null,3);

            //闭运算
            Mat close = new Mat();
            Cv2.MorphologyEx(src, close, MorphTypes.Close, kernel, null, 3);

            // 顶帽运算
            Mat tophat = new Mat();
            Cv2.MorphologyEx(src, tophat, MorphTypes.TopHat, kernel,null,3);

            // 黑帽运算
            Mat blackhat = new Mat();
            Cv2.MorphologyEx(src, blackhat, MorphTypes.BlackHat, kernel, null, 3);

            //保存图片
            open.SaveImage("open.jpg");
            close.SaveImage("close.jpg");
            tophat.SaveImage("tophat.jpg");
            blackhat.SaveImage("blackhat.jpg");

            // 显示结果
            using (new Window("Open", open))
            using (new Window("Close", close))
            using (new Window("TopHat", tophat))
            using (new Window("BlackHat", blackhat))
            {
                Cv2.WaitKey();
            }
        }
    }
}