本文主要是介绍图像的腐蚀(erosion)和膨胀(dilation)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
其实就是定义一个连通规则(structure)，用该连通区域在图像上stride, 用连通区域内的最小或者最大值代替原来的值。(边界上只覆盖部分值)。
腐蚀和膨胀的一个作用是提取二值图像的边界。腐蚀一般用来提取内边界，内边界由边界点构成，是区域的一部分。内边界的提取利用图像的腐蚀处理得到原图像的一个收缩，再将收缩结果与目标图像进行异或运算，实现差值部分的提取。
外边界指区域外部与边界点相邻的像素集合，属于背景的一部分。外边界提取先对图像进行膨胀处理，然后用膨胀结果与原目标图像进行异或运算，也就是求膨胀结果与原目标图像的差集。
1. 腐蚀(erosion)
构造如下的连通区域:
构造图像:
img = np.array([[125, 190, 11, 190], [141, 234, 21, 67], [165, 234, 31, 189],[112, 12, 41, 56]], dtype='uint8')kernel = np.array([[0, 1, 0], [1, 1, 1],[0, 1, 0]], dtype='uint8')
使用连通区域内的最小值代替:
cv2.erode(img, kernel)
# or
scipy.ndimage.binary_erosion(img, structure=struct)
输出结果
array([[125, 11, 11, 11],[125, 21, 11, 21],[112, 12, 21, 31],[ 12, 12, 12, 41]], dtype=uint8)
求内边界：
inner_border=img ^ cv2.erode(img, kernel)
2. 膨胀
方法与腐蚀相同，使用最大值代替:
import cv2
import numpy as np
import matplotlib.pyplot as pltimg = np.array([[125, 190, 11, 190], [141, 234, 21, 67], [165, 234, 31, 189],[112, 12, 41, 56]], dtype='uint8')# kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))
kernel = np.array([[0, 1, 0], [1, 1, 1],[0, 1, 0]], dtype='uint8')dilate_res = cv2.dilate(img, kernel)
# or
scipy.ndimage.binary_dilation(img, structure=struct)
dialate_res输出结果:
array([[190, 234, 190, 190],[234, 234, 234, 190],[234, 234, 234, 189],[165, 234, 56, 189]], dtype=uint8)
求外边界：
outer_border = img ^ cv2.dilate(img, kernel)
总的来说腐蚀就是去掉毛刺(早点)，而膨胀则是补全缺的部分。
引用: 轻松搞懂形态学处理(腐蚀、膨胀、开闭运算
这篇关于图像的腐蚀(erosion)和膨胀(dilation)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
