前言

有些時候圖片上會有一些劃痕或者污漬，會影響圖片的質(zhì)量，假設(shè)我有一張寫有“艾醒”的圖片，但是有花花綠綠的劃痕和污漬，這時我們就可以運(yùn)用腐蝕與膨脹消除這些劃痕和污漬

膨脹

腐蝕的本質(zhì)就是白吃黑，即數(shù)值較大的（較白的）吃掉數(shù)值較小的（較黑的）
我們可以用cv2.dilate進(jìn)行膨脹，參數(shù)為圖片，卷積核，膨脹次數(shù)
其原理就是在卷積核范圍內(nèi)，如果周圍顏色淺的（數(shù)值較大的）多，那么當(dāng)前點(diǎn)就應(yīng)該是顏色淺的，否則應(yīng)該是顏色深的
假設(shè)我們有一張圖片名稱為aixing.png

img = cv2.imread('aixing.png')
kernel = np.ones((5,5),np.uint8) 
dilate = cv2.dilate(dige_erosion,kernel,iterations = 3)

cv2.imshow('dilate', dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

我們用5x5的卷積核來進(jìn)行3次膨脹

可以看到雖然劃痕和污漬幾乎沒有了，但是這個圖片上的字比之前小不少，為了還原字的大小我們還需要進(jìn)行腐蝕操作，注意腐蝕操作需要跟膨脹操作卷積核和執(zhí)行次數(shù)相同才能還原之前的大小

腐蝕

腐蝕的本質(zhì)就是黑吃白，即數(shù)值較小的（較黑的）吃掉數(shù)值較大的（較白的）
我們可以用cv2.erode進(jìn)行腐蝕，參數(shù)為圖片，卷積核，腐蝕次數(shù)
其原理就是在卷積核中，如果周圍顏色深的（數(shù)值較小的）多，那么當(dāng)前點(diǎn)就應(yīng)該是顏色深的，否則應(yīng)該是顏色淺的

我們進(jìn)行腐蝕

kernel = np.ones((5,5),np.uint8) 
erosion = cv2.erode(dilate,kernel,iterations = 3)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

現(xiàn)在我們可以看到劃痕和污漬已經(jīng)去掉了

開運(yùn)算與閉運(yùn)算

實(shí)際上這兩個功能很雞肋，開運(yùn)算就是先腐蝕，再膨脹；閉運(yùn)算就是先膨脹，再腐蝕
opencv中cv2.morphologyEx函數(shù)可以實(shí)現(xiàn)開閉運(yùn)算，參數(shù)為圖片，操作類型，卷積核
操作類型參數(shù)

很明顯，我們剛剛的問題需要進(jìn)行閉運(yùn)算

img = cv2.imread('aixing.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()

可以看到效果并不好，這是為什么呢，因?yàn)殚]運(yùn)算只進(jìn)行了一次膨脹一次腐蝕，而我們得到的較好的結(jié)果是進(jìn)行了3次膨脹和3次腐蝕

開運(yùn)算的代碼也放在這里，但要說明當(dāng)前問題并不適合開運(yùn)算，如果畫面背景是偏深色的，我們需要側(cè)重的部分或者文字是偏淺色的較為適合開運(yùn)算，如果要嘗試我們可以將圖片反色，如何反色呢？令255減去圖片就好了

img = cv2.imread('aixing.png')

kernel = np.ones((5,5),np.uint8) 
reverse = 255 - img # 反色
cv2.imshow('opening', reverse)
cv2.waitKey(0)
cv2.destroyAllWindows()

opening = cv2.morphologyEx(reverse, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

可以看到效果也不好，所以這個函數(shù)了解即可。

禮帽與黑帽

沒有什么需要解釋的，了解下面的操作就可以了
禮帽 = 原始輸入-開運(yùn)算結(jié)果
黑帽 = 閉運(yùn)算-原始輸入

#禮帽
img = cv2.imread('aixing.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

#黑帽
img = cv2.imread('aixing.png')
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()

運(yùn)用膨脹和腐蝕獲得圖像輪廓

假設(shè)我們有這樣一個名為yan.jpg的巖元素圖標(biāo)

為了獲取它的輪廓，我們先要將他二值化，即進(jìn)行前幾篇文章提到過的閾值操作，很顯然我們應(yīng)該選用cv2.THRESH_BINARY參數(shù)

yan = cv2.imread('yan.jpg', cv2.IMREAD_GRAYSCALE)
ret, img = cv2.threshold(yan, 220, 255, cv2.THRESH_BINARY)
cv_show(img, 'threshold')

然后分別進(jìn)行一次膨脹和一次腐蝕

kernel = np.ones((5,5),np.uint8) 
dilate = cv2.dilate(img,kernel,iterations = 1)
erosion = cv2.erode(img,kernel,iterations = 1)

res = np.hstack((dilate,erosion))

cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

左側(cè)是膨脹，右側(cè)是腐蝕的結(jié)果
然后膨脹減去腐蝕

cv2.imshow('res', cv2.convertScaleAbs(dilate-erosion))
cv2.waitKey(0)
cv2.destroyAllWindows()

那么為什么是膨脹減腐蝕呢，因?yàn)榕蛎浀陌咨膮^(qū)域多，白色的是非0值，所以實(shí)際上白色輪廓曾是膨脹后的一部分，但是這樣得到的輪廓實(shí)際上比真實(shí)的輪廓要寬，因?yàn)榕蛎洉屳喞蚶飻U(kuò)展，腐蝕會讓輪廓向外擴(kuò)展
那么如何得到恰好的輪廓呢

真實(shí)的輪廓我們可以分為內(nèi)輪廓和外輪廓
要得到內(nèi)輪廓，我們只需膨脹減去膨脹前的圖就好了

cv2.imshow('res', cv2.convertScaleAbs(dilate-img))
cv2.waitKey(0)
cv2.destroyAllWindows()

同樣的，外輪廓可以通過腐蝕前的圖像減去腐蝕后的圖像得到

cv2.imshow('res', cv2.convertScaleAbs(img-erosion))
cv2.waitKey(0)
cv2.destroyAllWindows()

單獨(dú)這樣看也許并不明顯，那么我們將他們畫在一起來看對比
首先我們打開原圖，我們將在原圖上畫輪廓

color_yan  = cv2.imread('yan.jpg')

我們要先獲取索引來找到哪些點(diǎn)位需要輪廓

idx1, idx2 = np.where((dilate-erosion)!=0)
idx3, idx4 = np.where((img-erosion)!=0)
idx5, idx6 = np.where((dilate-img)!=0)

由于膨脹減去腐蝕的寬度正好可以被原圖減腐蝕和膨脹減原圖覆蓋，即被外輪廓和內(nèi)輪廓的和覆蓋，所以我們分別展示膨脹減腐蝕與內(nèi)輪廓和外輪廓的對比
與外輪廓的對比

color_yan[idx1, idx2,:] = (255, 0, 0)
color_yan[idx3, idx4,:] = (0, 255, 0)

藍(lán)的是膨脹減去腐蝕的輪廓（下同），綠色的是外輪廓的效果

與內(nèi)輪廓對比
紅色的內(nèi)輪廓的效果

color_yan  = cv2.imread('yan.jpg')
color_yan[idx1, idx2,:] = (255, 0, 0)
color_yan[idx5, idx6,:] = (0, 0, 255)

文章來源地址http://www.zghlxwxcb.cn/news/detail-620660.html

到了這里，關(guān)于opencv-python常用函數(shù)解析及參數(shù)介紹（五）——腐蝕與膨脹的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！