腐蚀¶

概要¶

本文讲解了数学形态学中的腐蚀, 展示了不同迭代次数下的腐蚀效果.

keywords 数学形态学腐蚀

腐蚀Erode¶

腐蚀是一个软弱无能的亡国君.

何为腐蚀, 腐蚀在于消除一些孤立点, 消除一些边界点. 使边界向内收缩. 我们可以借用腐蚀来消除无意义的小点.

那么腐蚀是如何实现的呢?

首先我们需要确定一个核 kernel ，明确核的尺寸与核取值.

还记得我们之前提到过的卷积核么, 其实是一个东西, 只不过数学形态学的操作不是线形的.

例如我们确定好这个核的尺寸为3*3 . 在opencv中核又被称之为结构元素。

用结构元素与其覆盖的二值图像做与 and操作
如果都为1，结果图像的该像素为1。否则为0。

简单来讲, 如果一个点周边所有点与其本身, 只要这里面有一个0, 它就会被视作为0.

如何选取合适的核?

这个根据图像的图像质量, 分辨率, 应用场景不同，因图而异。你需要去尝试取不同的值

那么我们执行腐蚀操作, 最直观的感觉就是二值化图像向内缩减了一圈.

如果你取的核越大, 腐蚀效果越强.

在opencv中我们腐蚀要使用erode函数. 我们需要新建一个核.

kernel = np.ones((5,5), np.uint8)

然后将核传入erode函数:

erorsion_img = cv2.erode(img, kernel, iterations=1)

其中iterations 指的是迭代的次数.

源代码 CH4.5_erosion.py

'''
    数学形态学 腐蚀 erorsion
'''
import cv2
import numpy as np

# 读入灰度图
img = cv2.imread("dao-bin.png", flags=cv2.IMREAD_GRAYSCALE)

# 创建 核
kernel = np.ones((5,5), np.uint8)
# 腐蚀
erorsion_img = cv2.erode(img, kernel, iterations=1)

cv2.imwrite('dao_erorsion_k5.png', np.hstack((img, erorsion_img)))