图像的侵蚀与膨胀

这篇教学会介绍两种 OpenCV 的图像形态学处理：侵蚀 ( Erosion ) 和膨胀 ( Dilation )，透过这两种处理方式，能够实现去除噪声或是連接破碎景物的功能。

快速导览：

• 什么是侵蚀 ( Erosion )？
• 什么是膨胀 ( Dilation )？
• 如何使用侵蚀与膨胀？
• 透过侵蚀与膨胀，去除画面中的噪声

因为程序中的 OpenCV 会需要使用镜头或 GPU，所以请使用本机环境 ( 参考：使用 Python 虚拟环境 ) 或使用 Anaconda Jupyter 进行实作 ( 参考：使用 Anaconda ) ，并安装 OpenCV 函数库 ( 参考：OpenCV 函数库 )。

什么是侵蚀 ( Erosion )？

当空间中有兩个集合 ( A 集合和 B 集合 )，当 A 集合的部分空间被 B 集合所取代，则称之为“侵蚀 ( Erosion )”，通常进行侵蚀后的图像，黑色区域会扩张，白色区域会缩小。

什么是膨胀 ( Dilation )？

当空间中有兩个集合 ( A 集合和 B 集合 )，当 A 集合的部分空间扩张到 B 集合，则称之为“膨胀 ( Dilation )”，通常进行膨胀后的图像，白色区域会扩张，黑色区域会缩小。

如何使用侵蚀与膨胀？

在进行图像的侵蚀或膨胀之前，需要使用 cv2.getStructuringElement 方法，执行后会返回指定大小和形状的结构元素，接着就会参考这些结构元素进行侵蚀或膨胀，使用方法如下：

kernel = cv2.getStructuringElement(shape, ksize)
# 返回指定大小形狀的結構元素
# shape 的內容：cv2.MORPH_RECT ( 矩形 )、cv2.MORPH_CROSS ( 十字交叉 )、cv2.MORPH_ELLIPSE ( 橢圓形 )
# ksize 的格式：(x, y)

img = cv2.erode(img, kernel)   # 侵蝕
img = cv2.dilate(img, kernel)  # 擴張

透过侵蚀与膨胀，去除图像中的噪声

下方的程序码执行后，会先将图片进行侵蚀，侵蚀后，比较小的白色圆点就会因为侵蚀而消失，接着再进行膨胀，就可以将主体结构恢复原本的大小，实现去除噪声的效果 ( 恢复原本大小后，边缘会因为计算的缘故不如原本的锐利 )，这种做法常搭配边缘侦测、黑白二值化等方法，应用在文字辨识或图像辨识的领域。

import cv2
img = cv2.imread('test.jpg')
cv2.imshow('oxxostudio1', img)   # 原始影像

img2 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (11, 11))

img = cv2.erode(img, kernel)     # 先侵蝕，將白色小圓點移除
cv2.imshow('oxxostudio2', img)   # 侵蝕後的影像

img = cv2.dilate(img, kernel)    # 再膨脹，白色小點消失
cv2.imshow('oxxostudio3', img)   # 膨脹後的影像

cv2.waitKey(0)                   # 按下 q 鍵停止
cv2.destroyAllWindows()

参考数据

• Eroding and Dilating
• getStructuringElement()

意见反馈