Python圖像處理中如何解決圖像腐蝕與圖像膨脹問題

這篇文章主要為大家展示了“Python圖像處理中如何解決圖像腐蝕與圖像膨脹問題”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Python圖像處理中如何解決圖像腐蝕與圖像膨脹問題”這篇文章吧。

圖像的膨脹（Dilation）和腐蝕（Erosion）是兩種基本的形態學運算，主要用來尋找圖像中的極大區域和極小區域。其中膨脹類似于“領域擴張”，將圖像中的高亮區域或白色部分進行擴張，其運行結果圖比原圖的高亮區域更大；腐蝕類似于“領域被蠶食”，將圖像中的高亮區域或白色部分進行縮減細化，其運行結果圖比原圖的高亮區域更小。

1.圖像膨脹

膨脹的運算符是“⊕”，其定義如下：

該公式表示用B來對圖像A進行膨脹處理，其中B是一個卷積模板或卷積核，其形狀可以為正方形或圓形，通過模板B與圖像A進行卷積計算，掃描圖像中的每一個像素點，用模板元素與二值圖像元素做“與”運算，如果都為，那么目標像素點為，否則為1。從而計算B覆蓋區域的像素點最大值，并用該值替換參考點的像素值實現膨脹。下圖是將左邊的原始圖像A膨脹處理為右邊的效果圖A⊕B。

2.圖像腐蝕

腐蝕的運算符是“－”，其定義如下：

該公式表示圖像A用卷積模板B來進行腐蝕處理，通過模板B與圖像A進行卷積計算，得出B覆蓋區域的像素點最小值，并用這個最小值來替代參考點的像素值。如圖所示，將左邊的原始圖像A腐蝕處理為右邊的效果圖A-B。

處理結果如下圖所示：

二. 圖像腐蝕代碼實現

1.基礎理論

形態學轉換主要針對的是二值圖像（或1）。圖像腐蝕類似于“領域被蠶食”，將圖像中的高亮區域或白色部分進行縮減細化，其運行結果圖比原圖的高亮區域更小。其主要包括兩個輸入對象：

(1)二值圖像

(2)卷積核

卷積核是腐蝕中的關鍵數組，采用numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，如下圖所示：

被掃描到的原始圖像中的像素點，只有當卷積核對應的元素值均為1時，其值才為1，否則其值修改為。換句話說，遍歷到的黃色點位置，其周圍全部是白色，保留白色，否則變為黑色，圖像腐蝕變小。

2.函數原型

圖像腐蝕主要使用的函數為erode，其原型如下：

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

參數dst表示處理的結果，src表示原圖像，kernel表示卷積核，iterations表示迭代次數。下圖表示5*5的卷積核，可以采用函數 np.ones((5,5), np.uint8) 構建。

注意：迭代次數默認是1，表示進行一次腐蝕，也可以根據需要進行多次迭代，進行多次腐蝕。

3.代碼實現

完整代碼如下所示：

輸出結果如下圖所示：

由圖可見，干擾的細線被進行了清洗，但仍然有些輪廓，此時可設置迭代次數進行腐蝕。

erosion = cv2.erode(src, kernel,iterations=9)

輸出結果如下圖所示：

三. 圖像膨脹代碼實現

1.基礎理論

圖像膨脹是腐蝕操作的逆操作，類似于“領域擴張”，將圖像中的高亮區域或白色部分進行擴張，其運行結果圖比原圖的高亮區域更大，線條變粗了，主要用于去噪。

(1) 圖像被腐蝕后，去除了噪聲，但是會壓縮圖像。

(2) 對腐蝕過的圖像，進行膨脹處理，可以去除噪聲，并且保持原有形狀。

它也包括兩個輸入對象：

(1)二值圖像或原始圖像

(2)卷積核

卷積核是腐蝕中的關鍵數組，采用numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，如下圖所示：

被掃描到的原始圖像中的像素點，當卷積核對應的元素值只要有一個為1時，其值就為1，否則為。

2.函數原型

圖像膨脹主要使用的函數為dilate，其原型如下：

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

參數dst表示處理的結果，src表示原圖像，kernel表示卷積核，iterations表示迭代次數。下圖表示5*5的卷積核，可以采用函數 np.ones((5,5), np.uint8) 構建。

注意：迭代次數默認是1，表示進行一次膨脹，也可以根據需要進行多次迭代，進行多次膨脹。通常進行1次膨脹即可。

3.代碼實現

完整代碼如下所示：

輸出結果如下所示：

圖像去噪通常需要先腐蝕后膨脹，這又稱為開運算，下篇文章將詳細介紹。如下圖所示：

erosion = cv2.erode(src, kernel)

result = cv2.dilate(erosion, kernel)

以上是“Python圖像處理中如何解決圖像腐蝕與圖像膨脹問題”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！