本专栏主要介绍如果通过OpenCv-Python进行图像处理，通过原理理解OpenCv-Python的函数处理原型，在具体情况中，针对不同的图像进行不同等级的、不同方法的处理，以达到对图像进行去噪、锐化等一系列的操作。同时，希望观看本专栏的小伙伴可以理解到OpenCv进行图像处理的强大哦，如有转载，请注明出处(原文链接和作者署名)，感谢各位小伙伴啦！ 前文参考： 《OpenCv视觉之眼》Python图像处理一 :Opencv-python的简介及Python环境搭建 《OpenCv视觉之眼》Python图像处理二 :Opencv图像读取、显示、保存基本函数原型及使用 《OpenCv视觉之眼》Python图像处理三 :Opencv图像属性、ROI区域获取及通道处理 《OpenCv视觉之眼》Python图像处理四 :Opencv图像灰度处理的四种方法及原理 《OpenCv视觉之眼》Python图像处理五 :Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波 《OpenCv视觉之眼》Python图像处理六 :Opencv图像傅里叶变换和傅里叶逆变换原理及实现 《OpenCv视觉之眼》Python图像处理七 :Opencv图像处理之高通滤波和低通滤波原理及构造 《OpenCv视觉之眼》Python图像处理八 :Opencv图像处理之图像阈值化处理原理及函数 上次博客我们讲到图像的阈值化处理的原理及函数构造，同时介绍了OpenCV中库函数的使用方法及参数，阈值化处理的目的就是降低图像轮廓提取对噪声的敏感程度，同时也对下一步图像形态学处理提供了完整性。 本次博客，林君学长将带大家了解图像形态学处理的基础形态学处理——图像的膨胀与腐蚀，了解原理，通过原理编写图像腐蚀与膨胀的功能算法，并为大家介绍OpenCV中图像膨胀与腐蚀的库函数的使用方法，一起学习吧！
- 图像腐蚀膨胀主要是为了去除阈值化图像周围不需要的噪声，通过形态学处理，值保留完整的轮廓
- 对腐蚀过的图像，进行膨胀处理，可以去除图像轮廓内部噪声，并且保持原有形状。
- 对膨胀过的图像，进行腐蚀处理，可以去除图像轮廓外部噪声，并且保持原有形状。
[Python图像处理九] :Opencv图像形态学处理之图像腐蚀与膨胀原理及方法
- 一、图像膨胀
-
- 1、图像膨胀原理
- 2、图像膨胀功能函数构造
- 3、OpenCV图像膨胀库函数使用
- 二、图像腐蚀
-
- 1、图像腐蚀原理
- 2、图像腐蚀功能函数构造
- 3、OpenCV图像腐蚀库函数使用
一、图像膨胀
1、图像膨胀原理
1）、原理 图像膨胀主要针对的是阈值化后的图像（0或255）。图像膨胀类似于“领域被扩张”，将图像中的高亮区域或白色部分进行扩增粗化，其运行结果图比原图的高亮区域更大。其原理是：将核在原始图像中进行遍历，然后将原始图像遍历到的像素点的值与自定义卷积核(全为1的二维矩阵)得值进行与运算，像素点与对应核一 一对应进行与，当卷积核对应的元素值只要有一个为1时，设置卷积核中心值的像素点为1，如果全为0，,则其值设置为0，原理图如下所示： 2）、原理图
2、图像膨胀功能函数构造
1）、图像膨胀功能函数构造
'''
图像膨胀
'''
#整体显示
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf) #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
def dilate(img,size):
#获取图像尺寸及通道数
h,w=img.shape[:2]
num=int((size-1)/2)
#自定义空白图像，用于显示膨胀之后的图像
img1=np.zeros((h,w),dtype=img.dtype)
#图像灰度处理
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#图像阈值化
ret, Binary = cv2.threshold(gray , 127, 255, cv2.THRESH_BINARY)
for i in range(num,h-num):
for j in range(num,w-num):
sum=np.array([])
for k in range(i-num,i+num+1):
for l in range(j-num,j+num+1):
a=Binary[k,l] and 1 #每一个都与1进行与运算，也就是核函数进行与 255与1是1 0与1为0
sum=np.insert(sum,len(sum),a) #将与的结果写入数组sum
if (sum == 1).any()==True: #判断数组是否有1，如果是，则写255，如果不是，将0写入该点像素值
img1[i,j]=255
else:
img1[i,j]=0
return img1
2）、读取图像，调用图像膨胀函数进行图像膨胀处理，并显示结果
#读取图像
img=cv2.imread("g1.jpg")
#调用膨胀函数
img1=dilate(img,5)
#显示图像
titles = ['原图', '膨胀'] #标题
images = [img, img1] #图像对比显示
for i in range(2):
plt.subplot(1,2,i+1), plt.imshow(images[i],"gray")
plt.title(titles[i])
plt.axis('off')#关闭坐标轴 设置为on则表示开启坐标轴
plt.show()#显示图像
通过调整核大小和膨胀次数，可以增大膨胀区域，如下所示： 5×5核尺寸膨胀3次：
7×7核尺寸，膨胀1次：
在实际的图像处理中，自己通过调整参数进行图像膨胀处理，直到达到对图像处理的最终目的，例如如下轮廓提取，通过图像膨胀或者图像腐蚀找到最佳轮廓，然后通过轮廓提取算法进行图像轮廓提取！
3、OpenCV图像膨胀库函数使用
OpenCV中提供了图像膨胀的库函数，原型如下所示： 1）、库函数原型：dilate=cv2.dilate(img, kernel,num)
- img:需要进行腐蚀操作的阈值图像
- kernel：卷积核尺寸，例如输入(3，3)全为1的核kernel = np.ones((3,3), np.uint8)
- num:需要进行膨胀的次数
2）、图像膨胀库函数使用
'''
图像膨胀opencv库函数
'''
#整体显示
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf) #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("g1.jpg")
#设置卷积核
kernel = np.ones((5,5), np.uint8)
#调用opencv库膨胀函数
img1=cv2.dilate(img,kernel,2)#5x5卷积核，膨胀2次
#显示图像
titles = ['原图', '膨胀'] #标题
images = [img, img1] #图像对比显示
for i in range(2):
plt.subplot(1,2,i+1), plt.imshow(images[i],"gray")
plt.title(titles[i])
plt.axis('off')#关闭坐标轴 设置为on则表示开启坐标轴
plt.show()#显示图像
我们可以你看到，函数膨胀将图像轮廓边粗，这可以填充图像内部空余部分，对图后续的轮廓提取有积极作用，可以理解为图像去噪的一种，但只针对小部分噪声，主要还得前面滤波去噪。 对于图像膨胀，可以在通过增加核尺寸大小和膨胀次数来扩大膨胀区域，下面讲解图像腐蚀原理及函数构造吧！
二、图像腐蚀
1、图像腐蚀原理
1）、原理 图像腐蚀主要针对的是阈值化后的图像（0或255）。图像腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。其原理是：将核在原始图像中进行遍历，然后将原始图像遍历到的像素点的值与自定义卷积核(全为1的二维矩阵)得值进行与运算，像素点与对应核一 一对应进行与，当卷积核对应的元素值均为1时，设置卷积核中心值的像素点为1，否则其值设置为0，原理图如下所示： 2）、原理图
2、图像腐蚀功能函数构造
1）、定义图像腐蚀函数
'''
图像腐蚀
'''
#整体显示
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf) #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
def erode(img,size):
#获取图像尺寸及通道数
h,w=img.shape[:2]
num=int((size-1)/2)
#自定义空白图像，用于显示腐蚀之后的图像
img1=np.zeros((h,w),dtype=img.dtype)
#图像灰度处理
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#图像阈值化
ret, Binary = cv2.threshold(gray , 127, 255, cv2.THRESH_BINARY)
for i in range(num,h-num):
for j in range(num,w-num):
sum=np.array([])
for k in range(i-num,i+num+1):
for l in range(j-num,j+num+1):
a=Binary[k,l] and 1 #每一个都与1进行与，也就是核函数进行与 255与1是1 0与1为0
sum=np.insert(sum,len(sum),a) #将与的结果写入数组sum
#print(sum)
if (sum == 1).all()==True: #判断数组是否全为1，如果是，则将1写入255，如果不是，写0
img1[i,j]=255
else:
img1[i,j]=0
return img1
2）、读取图像，调用腐蚀函数进行图像腐蚀处理，并显示结果
#读取图像
img=cv2.imread("g1.jpg")
#调用腐蚀函数
img1=erode(img,5)
#显示图像
titles = ['原图', '腐蚀'] #标题
images = [img, img1] #图像对比显示
for i in range(2):
plt.subplot(1,2,i+1), plt.imshow(images[i],"gray")
plt.title(titles[i])
plt.axis('off')#关闭坐标轴 设置为on则表示开启坐标轴
plt.show()#显示图像
上面我们可以看出，经过腐蚀之后的图像，图像轮廓中细的部分我们认为噪声点，将会被腐蚀掉，达到去噪的效果！如果进行多次腐蚀或者增加核尺寸，轮廓部分也会被腐蚀掉，但由于通过原理编写算法，代码运行时间较久，就直接给出多次腐蚀后的结果，如下所示：
3、OpenCV图像腐蚀库函数使用
在OpneCV中当然也会给出图像腐蚀的库函数啦，用法如下所示 1）、图像腐蚀函数原型：erode=cv2.erode(img, kernel,num)
- img:需要进行腐蚀操作的阈值图像
- kernel：卷积核尺寸，例如输入(3，3)全为1的核kernel = np.ones((3,3), np.uint8)
- num:需要进行腐蚀的次数
2）、图像腐蚀库函数使用方法如下所示：
'''
图像腐蚀opencv库函数
'''
#整体显示
import cv2
import numpy as np
#np.set_printoptions(threshold=np.inf) #打印数组中的全部内容
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("g1.jpg")
#设置卷积核
kernel = np.ones((5,5), np.uint8)
#调用opencv库腐蚀函数
img1=cv2.erode(img,kernel,2)#5x5卷积核，腐蚀2次
#显示图像
titles = ['原图', '腐蚀'] #标题
images = [img, img1] #图像对比显示
for i in range(2):
plt.subplot(1,2,i+1), plt.imshow(images[i],"gray")
plt.title(titles[i])
plt.axis('off')#关闭坐标轴 设置为on则表示开启坐标轴
plt.show()#显示图像
以上就是本次博客的全部内容，遇到问题的小伙伴记得留言评论，学长看到会为大家进行解答的，这个学长不太冷！
我希望在平淡如水的日子里，我依然是你鲜活而快乐的源泉，微笑的理由。 我希望在人烟嘈杂的时候，我能伸开双臂保护你为你圈出一个安静的世界。 我希望我们都是彼此的刻骨铭心，不管之前有过多少错过的感情，都不怕。 我希望我们都是彼此朝朝暮暮的相濡以沫，我希望能成为别人羡慕的对象。 我希望从此以后都不用在努力寻找，我希望真的到你为止，我希望就是你
陈一月的又一天编程岁月^ _ ^
