OpenCV图像处理(九)---图像腐蚀VS膨胀

阿基米德原理：流体静力学的一个重要原理，它指出，浸入静止流体中的物体受到一个浮力，其大小等于该物体所排开的流体重量，方向竖直向上并通过所排开流体的形心。这结论是阿基米德首先提出的，故称阿基米德原理。结论对部分浸入液体中的物体同样是正确的。同一结论还可以推广到气体。

前言

又是一期再见时，上周我们学习了图像处理知识里面的翻转和缩放技术，然后通过代码的方式进行了实践，相信大家已经掌握了，今天，我们继续来学习图像处理的有一个知识--图像腐蚀与膨胀。

一、图像腐蚀

图像腐蚀是图像形态学处理中其中一种方式而已，数学形态学（Mathematical morphology） 是一门建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论。其基本的运算包括：腐蚀和膨胀、开运算和闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换等。 腐蚀在于消除一些孤立点, 消除一些边界点. 使边界向内收缩. 我们可以借用腐蚀来消除无意义的小点，因此当图像中出现白色的噪点时就可以采用这样的方式。

1.1 原始图片

（出自一位书法家之手：道法自然）

1.2 代码实践

#coding:utf-8
import cv2
import numpy as np

# 读取图片
src_img = cv2.imread("img1.jpg", flags=cv2.IMREAD_GRAYSCALE)

# 定义腐蚀核
fushi_kernel = np.ones((5,5), np.uint8)
# 调用腐蚀函数
fushi_image = cv2.erode(src_img, fushi_kernel, iterations=1)

# 显示腐蚀后的图像
cv2.imshow('fushi_image', fushi_image)
# 显示原始图像，与处理后的图像作比较。
cv2.imshow("src_img",src_img)
cv2.waitKey(0)

代码解读：可以看到，我们的代码十分简洁明了，主要函数在于cv2.erode()，一共三个参数，第一个为需要腐蚀的原始图像，第二个为腐蚀框（核）的大小，并不是越大或者越小越好，而是要实际测试，选择最合适的，第三个参数为迭代次数，也就是重复腐蚀的次数，这个也可以自己定义。

1.3 效果展示

如上图所示，我们可以看到腐蚀后的图像相较于原始图像，黑色的区域变得更加多了，而白色的区域相对变得减少了（黑多白少）。

二、膨胀

图像的膨胀操作也是属于图像形态学处理技术的一种，膨胀与腐蚀其实刚好是一对相反的操作，膨胀会将自身中出现的小黑点变换为白色区域（白多黑少），当图像中出现小黑点不好去除时，一般采用膨胀的方式。

2.1 原始图像

（孙中山先生亲自书写，表达了他一生奋斗所向：天下为公）

2.2 代码实践

#coding:utf-8
import cv2
import numpy as np

# 读取图片
src_img = cv2.imread("img2.jpg", flags=cv2.IMREAD_GRAYSCALE)

# 定义腐蚀核
PZ_kernel = np.ones((3,3), np.uint8)

# 调用膨胀函数
PZ_image= cv2.dilate(src_img, PZ_kernel, iterations=1)

# 显示腐蚀后的图像
cv2.imshow('PZ_image', PZ_image)
# 显示原始图像，与处理后的图像作比较。
cv2.imshow("src_img",src_img)
cv2.waitKey(0)

代码解读：上段代码中，我们需要注意的函数是cv2.dilate（函数），opecv包中的膨胀函数，包含三个参数，同上面一样，第一个为需要膨胀的原始图像，第二个为膨胀框的大小，第三个为迭代次数，这里设置为1 ，粉丝们可以自行设置哦。

2.3 效果演示

如上图所示，我们可以看到，原始图片中黑色区域变少了，白色区域相对增加了（黑少而白多）。

结语

好了，本期的知识就分享到这里了，腐蚀和膨胀都是图像处理的基本技术哦，请大家下去一定实践哦，我们会在后期分享一个目标追踪的实例，当中就会用到今天的技巧。

编辑：玥怡居士|审核：小圈圈居士