目录

简述

1. 什么是腐蚀与膨胀？

1.1 腐蚀

1.2 膨胀

2. OpenCV 中的腐蚀与膨胀

2.1 图像腐蚀接口

2.2 图像膨胀接口

3. 常见的卷积核

4. 使用腐蚀和膨胀处理黑底白字图像

5. 腐蚀与膨胀的应用场景

5.1. 去噪声

5.2 图像修复与目标提取

5.3 形态学滤波

5.4 文字和图像分割

6. 总结

---

相关阅读

OpenCV：二值化与自适应阈值-CSDN博客

---

简述

图像的腐蚀与膨胀是形态学操作中的两个基本操作，它们在图像处理、目标提取、噪声去除等方面有着重要的应用。通过这些操作，我们能够对图像的形状进行修正，强化或消除一些细节特征。本文将介绍 OpenCV 中腐蚀与膨胀操作的基本概念、如何使用 OpenCV 实现它们，并通过实际示例展示它们在图像处理中的应用。

---

1. 什么是腐蚀与膨胀？

1.1 腐蚀

腐蚀是一个通过腐蚀操作减少图像中物体面积的过程。在腐蚀操作中，图像的每个像素值会被其邻域内的最小值所替代。通过腐蚀，我们可以消除图像中的噪声点，或者让前景物体变得更小。

应用：

• 去除小的噪声。
• 收缩物体区域，消除细小的连通区域。

1.2 膨胀

膨胀是一个通过膨胀操作增加图像中物体面积的过程。在膨胀操作中，图像的每个像素值会被其邻域内的最大值所替代。通过膨胀，我们可以填补物体内部的小孔，或者扩大前景物体区域。

应用：

• 填充物体中的小孔。
• 扩大物体区域，增强图像的前景特征。

---

2. OpenCV 中的腐蚀与膨胀

在 OpenCV 中，腐蚀和膨胀操作通过 cv2.erode() 和 cv2.dilate() 函数实现。

2.1 图像腐蚀接口

cv2.erode(src, kernel, iterations=1)

• src: 输入图像，通常是二值化图像（即黑白图像）。
• kernel: 卷积核，决定腐蚀操作的形状和范围。常见的卷积核是矩形、椭圆或圆形。
• iterations: 腐蚀操作的次数，默认为 1，表示执行一次腐蚀。增加 iterations 的次数会增强腐蚀效果。

2.2 图像膨胀接口

cv2.dilate(src, kernel, iterations=1)

• src: 输入图像，通常是二值化图像。
• kernel: 卷积核，决定膨胀操作的形状和范围。
• iterations: 膨胀操作的次数，默认为 1，表示执行一次膨胀。

---

3. 常见的卷积核

在腐蚀和膨胀操作中，卷积核决定了局部区域内的邻域像素如何影响当前像素的值。OpenCV 提供了几种常见的卷积核类型：

• 矩形卷积核：最常用的卷积核，形状为矩形。
• 椭圆形卷积核：形状为椭圆，通常用来保留更多的细节。
• 十字形卷积核：只有中心及四周的像素为 1，其它为 0。

你可以使用

cv2.getStructuringElement() 

来创建这些卷积核。

代码示例：

# 创建矩形卷积核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 创建椭圆形卷积核
kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

# 创建十字形卷积核
kernel_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))

矩形卷积核打印： 

椭圆形卷积核打印：

十字形卷积核打印：

卷积核是否能全为0？

在 OpenCV 中，卷积核可以全为 0，但这样的卷积核通常不会产生有意义的结果。

卷积操作是通过将卷积核与图像的局部区域进行元素级乘法并求和来实现的。当卷积核全为 0 时，无论与图像的哪个区域进行卷积，其结果都将为 0。

• 图像滤波：在图像滤波中，使用全 0 卷积核会导致图像的滤波结果为全黑（对于灰度图像）或全零矩阵（对于彩色图像），因为卷积后的像素值都为 0，无法实现平滑、锐化等常见的滤波效果。
• 特征提取：对于特征提取任务，如边缘检测、角点检测等，全 0 卷积核无法提取任何特征，因为它不会对图像中的任何结构产生响应。

---

4. 使用腐蚀和膨胀处理黑底白字图像

以下代码展示了如何使用 OpenCV 对黑底白字图像进行腐蚀和膨胀操作。

示例代码

import cv2
import numpy as np

# 读取图像并转换为灰度图像
image = cv2.imread('D:\\resource\\filter\\q.jpg')

# 卷积核
kernel = np.ones((5,5), np.uint8)
# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 腐蚀操作
eroded_image = cv2.erode(image, kernel, iterations=1)

# 膨胀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)

# 显示原始图像、腐蚀图像和膨胀图像
cv2.imshow('Original', image)
cv2.imshow('Erode', eroded_image)
cv2.imshow('Dilate', dilated_image)

cv2.waitKey(0)
cv2.destroyAllWindows()

其中卷积核越大，腐蚀或膨胀的效果越明显。 

运行结果： 

从左至右：

1. 黑底白字的原始图像。
2. 腐蚀图像：通过腐蚀操作，图像中的前景区域变小，细节被减少。
3. 膨胀图像：通过膨胀操作，图像中的前景区域变大，细节得到了增强。 

当前图片是黑底白字，如果是白底黑字，会有什么效果呢？

 

与黑底白字是相反的！ 

在图像处理中，腐蚀和膨胀操作的结果取决于前景和背景的定义。通常，形态学操作默认认为前景是白色（像素值为255），背景是黑色（像素值为0）。然而，对于白底黑字的图像，前景和背景的定义被反转，这会导致腐蚀和膨胀的效果看起来与黑底白字的图像相反。

可以使用如下代码进行反转：

inverted_image = cv2.bitwise_not(image)

---

5. 腐蚀与膨胀的应用场景

5.1. 去噪声

• 腐蚀常用于去除图像中的小噪声点。通过减少物体的面积，可以去除图像中小的孤立噪点。
• 膨胀则常用于连接图像中的物体，填补噪声或物体中的小孔。

5.2 图像修复与目标提取

• 在目标提取中，膨胀可以用来连接物体边界，从而提取完整的目标。
• 腐蚀操作则有助于去除不必要的小区域，突出物体的主要部分。

5.3 形态学滤波

通过连续的腐蚀与膨胀操作，可以实现复杂的图像滤波任务，例如边缘检测、轮廓提取等。

5.4 文字和图像分割

在 OCR（光学字符识别）和图像分割中，腐蚀与膨胀操作常用于预处理和后处理步骤，以便更好地提取字符或分割目标。

---

6. 总结

腐蚀和膨胀是形态学图像处理中的两个基本操作，常用于图像的噪声去除、目标修复以及形状增强。通过设置不同的卷积核和迭代次数，可以灵活地调整图像处理效果。OpenCV 提供了简洁的接口 cv2.erode() 和 cv2.dilate() 来实现这两种操作，结合卷积核的选择，可以高效地处理各种图像。