传统图像处理之膨胀腐蚀
重要说明：本文从网上资料整理而来，仅记录博主学习相关知识点的过程，侵删。
一、参考资料
【Opencv入门到项目实战】（三）：图像腐蚀与膨胀操作
二、膨胀与腐蚀
膨胀与腐蚀操作是图像处理中常用的一种形态学操作。
1. 腐蚀
1.1 腐蚀的概念
通常，腐蚀操作用于去除图像中的噪声、分割连通区域、减小目标物体的尺寸等。
简单记忆：铁块被硫酸腐蚀之后，外层的铁锈消失，且铁块变小。
1.2 腐蚀的原理
腐蚀操作的原理是，在给定的结构元素（kernel滤波器）下，遍历图像的每个像素，并将其值替换为该像素周围邻域内像素的最小值。结构元素控制了腐蚀的邻域范围和形状。邻域内的任何一个像素为黑色（0），则中心像素也将被置为黑色（0）。
1.3 cv2.erode()
cv2.erode(src, kernel, iterations)
参数解释
src：输入的二值图像，通常为单通道灰度图像。kernel：腐蚀操作的结构元素，用于定义腐蚀的邻域大小和形状。可以使用cv2.getStructuringElement()函数创建不同形状的结构元素。iterations：腐蚀操作的迭代次数，表示应用腐蚀的重复次数。
1.4 代码示例
查看原图
img = cv2.imread('JOJO.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
单次腐蚀操作
# 创建结构元素 (3x3 方框形)
kernel = np.ones((3, 3), dtype=np.uint8)
# 执行腐蚀操作
eroded = cv2.erode(img, kernel, iterations=1)
# 显示结果
cv2.imshow('Eroded Image', eroded)
cv2.waitKey(0)
cv2.destroyAllWindows()
多次腐蚀操作
更改iterations的值，来增加迭代次数，迭代次数越多，腐蚀效果越明显。
erosion_1 = cv2.erode(img,kernel,iterations = 1)#1次迭代
erosion_2 = cv2.erode(img,kernel,iterations = 2)#2次迭代
erosion_3 = cv2.erode(img,kernel,iterations = 3)#3次迭代
res = np.hstack((erosion_1,erosion_2,erosion_3))#水平堆砌
# 显示结果
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
1.5 总结
从上述实验对比可知，腐蚀操作会减少图像信息，可以达到去噪的效果。具体表现为：字母周围的斜线变得很浅，字母大小变细，经过多次腐蚀之后，字母四周的斜线消失。
2. 膨胀
2.1 问题引入
在腐蚀操作中，消除噪声的同时，有价值的信息也减少了。因此我们希望将这些有价值的信息增大，可以通过膨胀操作，则膨胀是腐蚀的逆操作。
2.2 cv2.dilate()
cv2.erode(src, kernel, iterations)
参数解释
src：输入的二值图像，通常为单通道灰度图像。kernel：膨胀操作的结构元素，用于定义膨胀的邻域大小和形状。可以使用cv2.getStructuringElement()函数创建不同形状的结构元素。常见的结构元素形状包括矩形、椭圆和十字形。iterations：膨胀操作的迭代次数，表示应用膨胀的重复次数。
2.3 代码示例
查看原图
# 原始图像
img = cv2.imread('JOJO.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用腐蚀操作消除细线
# 腐蚀操作
kernel = np.ones((5,5),np.uint8)
dige_erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
经过腐蚀操作之后，字母的粗细变小了。
膨胀操作
# 膨胀操作
kernel = np.ones((3,3),np.uint8)
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
从上图可知，膨胀操作，可以恢复其原始信息。
膨胀操作的效果取决于结构元素的形状和大小，以及迭代次数。增加迭代次数会使目标物体区域更大，边界更粗糙。通常情况下，一个或两个迭代次数就足够了。
三、开运算与闭运算
膨胀和腐蚀组合，可以实现开运算（Opening）和闭运算（Closing）。
简单记忆：分开去噪，闭合填充。分离连通的对象，去除图像噪声，即为开运算；闭合连通的对象，填充图像空洞，即为闭运算。
1. 开运算
1.1 开运算的概念
开运算是先进行腐蚀操作，再进行膨胀操作。它主要用于去除图像中的噪点、小的干扰物或者分离连通的对象。
1.2 代码示例
在opencv中，通过调用cv2.morphologyEx()函数，并指定操作类型为cv2.MORPH_OPEN，实现开运算：
# 开：先腐蚀，再膨胀
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
从上图可知，开运算可以先去除边缘细线，然后再增加信息恢复到原始结果。
2. 闭运算
2.1 闭运算的概念
闭运算是先进行膨胀操作，再进行腐蚀操作。它主要用于填充图像中的小洞孔或者连接分离的对象。
2.2 代码示例
在opencv中，通过调用cv2.morphologyEx()函数，并指定操作类型为cv2.MORPH_CLOSE，实现闭运算：
# 闭：先膨胀，再腐蚀
img = cv2.imread('JOJO.png')
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
在闭运算中，由于一开始我们加粗了边缘细线，导致后续我们即使做了腐蚀操作也不能完全去除。