大家好，我们又见面了，今天我们主讲的内容只有一个，那就是腐蚀膨胀，我也懒惰一回啦，别的就不讲啦，哈哈哈。
首先我来说一下什么是腐蚀：
腐蚀
腐蚀就是是将灰度值小的像素点给扩展了，用来去除比较亮的（灰度值大的）噪点。假如我们现在有一张灰度图和一个卷积核：
我们要用左边的6*6的图和右边的卷积核做卷积。其中，图片中黑色的矩形区域表示亮度大的位置，白色的小矩形区域表示亮度小的位置。我们这次做的卷积和我们上节课讲的可就不同啦。这次我们要做的是腐蚀，所以我们首先在卷积核上面定一个中心店，比如我们定在了红色小球的位置，接下来，我们要做的是把这个小球的位置首先与图片的第一行第一列对齐：
如果我们的卷积核底下的像素点都是黑色，那么我们就把红色小球那一点的像素变为黑色，否则认为它是白色。因为我们这次全是白色，没有黑色，那么我们设置小球那一点是白色。接着卷几个向左移动一格：
我们发现还是全白，红球那点肯定是白色，我们就这样搞，搞到一行的末尾：
多出来的地方我们用黑色矩阵来填充，所以这一行结束之后，我们得到这一行的像素全是白色的。然后我们移动到第二行第一列：
继续运算，我们这一行也都是白色。
接下来我们就这样一直地移动，直到来到了这里：
我们移动到了第四行第四列之后，我们发现，这特么的完全重合了，而且底下全都是黑色的，那么这一个点就保留它的黑色啦。然后我们继续移动，直到最后一行最后一列被遍历完成。
左边的图就是腐蚀之前的图片，右边的图是腐蚀之后的，我们发现啥了呢？黑色的小框变少了。也就是说腐蚀掉了。
我们把黑色的小框想像成为高亮度的点，白色的小框想像成为低亮度的点，那么腐蚀后的结果是啥样呢？很自然的我们会知道，高亮度的点点全都消失了。这就是腐蚀的意思。我们把黑色的矩形想象成高亮度的噪点的话，那么我们不就是把噪声给去除了哈？
注意，这里有一个东西大家可能会懵逼，就是我们这里黑色的矩形指的是高亮的，也就是白点，白色的矩形指的是低亮度的，也就是黑点。大家别搞反了！
官方给过几个图片，来说明腐蚀，地址是：
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/erosion_dilatation/erosion_dilatation.html
上面有两张图：
第一张是原图：
第二张是腐蚀后的图图：
我们发现，黑色的，也就是低亮度的像素明显增加了，而高亮度的白色相应减少了。
接下来讲一下膨胀：
膨胀
膨胀是是将灰度值大的像素扩展，主要用来去除边缘的坑，也就是去毛刺。膨胀和腐蚀相反，腐蚀是全都高亮度保留高亮度，否者置为低亮度。膨胀是，卷积核上面的所有位置有一个是高亮度，中心位置置为高亮度，否者置为低亮度。
我们还是要用左边的6*6的图和右边的卷积核做卷积。其中，图片中黑色的矩形区域表示亮度大的位置，白色的小矩形区域表示亮度小的位置。
首先我们把卷积核的红色小球位置移动到图片的第一行第一列，然后我们发现三个矩形的位置全部都是白色的。我们得出第一行第一列的位置是白色的。接下来向右移动一个小格，我们发现还是白色的，那么我们就设定第二个小格，我们发现还是全白，那么我们设定它为白色。接着继续移动，不久就到了这个：
我们发现第二行第五列是黑色，所以我们红色小球位置置为黑色。接下来继续移动，一直到了这个位置：
我们发现第二行第五列和第三行第四列都是黑色，所以第二行第四列置为黑色。
就这样我们一直移动，直到最后，我们就得到了膨胀后的图片：
左边是原图，右边的是膨胀后的图片，我们发现黑色的小矩形增加了，说白了也就是高亮度的位置增加了。也就是低亮度的边缘变小了。
我们还是用官方的图片来说明一下：
有两张图：
第一张是原图：
第二张是膨胀后的图图：
稍有常识的人都能看的出来，这个图片变细了啊，说白了就是边缘变小了。也就是图片缩小了一圈，毛刺被去除了，这个就是膨胀的作用了。
开闭运算
为了让我们的图片去除毛刺和噪声，变得更加的细腻，一般的方法是做一个先开后闭的运算。全称叫做开运算-闭运算。
开运算指的是先腐蚀一下后膨胀一下。闭运算是先膨胀一下后腐蚀一下。先开后闭运算指的就是开运算一次再闭运算一次。
程序实例
最后一部分，本人要讲解一个程序实例，首先我们有一张图：
我们可以清楚地看到，上面全是噪声点，我们通过程序做一个先开后闭的操作，也就是腐蚀->膨胀->膨胀->腐蚀。
膨胀操作的方法是：
void dilate(const Mat& src, Mat& dst, const Mat& element, Point anchor=Point(-1, -1), int iteratiOns=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue())
这看起来好乱好乱，我给大家一个个地讲一下含义。
第一个参数src指的是输入的图像，也就是我们带噪声的小熊的图片。
第二个参数dst是输出的图像，也就是膨胀后得到的图片。
第三个参数是卷积核，如果不指定的话，就按照3*3的简单矩形卷积核而定。
第四个参数是中心点的位置，如果不指定，那么默认为中心，也就是卷积核的中央。
第五个参数是膨胀的次数，不指定就为1次。
第六个参数是边界常量，也就是我们卷积核超出边界了，超出部分的图片按那个值算，不指定的话按0计算。
第七个参数是是调节卷积核的，我看不太懂，所以在这里面不讲了，按默认的来了。如果大家比较懂的话，可以留言告诉我一下，第一个告诉我的人给10元大红包，
腐蚀操作的方法是：
void erode(const Mat& src, Mat& dst, const Mat& element, Point anchor=Point(-1, -1), int iteratiOns=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue())
参数和膨胀一模一样，没啥可说的了。
至于开闭运算，我们其实不用腐蚀->膨胀->膨胀->腐蚀这样写四条语句。在OPENCV里面已经帮我们写好了。
void morphologyEx(InputArray src, OutputArray dst, int op, InputArray element, Point anchor=Point(-1,-1), int iteratiOns=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue() )
这个就是开闭运算的方法了。
第一个参数是输入图像。
第二个参数是输出图像。
第三个参数是指定我们是开运算还是闭运算，它的参数可以写成
MORPH_OPEN - an opening operation
MORPH_CLOSE - a closing operation
MORPH_GRADIENT - a morphological gradient
MORPH_TOPHAT - “top hat”
MORPH_BLACKHAT - “black hat”
前两个就是开闭运算。
第四个参数是卷积核。
第五个元素是卷积核的中心点位置，默认是卷积核的中央。
第六个参数是计算几次，默认为一次。
第七个参数是边界常量，也就是我们卷积核超出边界了，超出部分的图片按那个值算，不指定的话按0计算。
第八个参数我不太懂，和卷积膨胀的参数一样。
这样我们的方法就介绍完毕了，但是我们用的是PYTHON，上面方法是C++的，所以还需要稍微的改动一下。最后我们写出代码为：
import cv2
import numpy as np
#导入图片并显示
image=cv2.imread('D:/xiaomu/dawawazao.jpg')
cv2.imshow('orgin',image)
#定义一个5*5的卷积核
kernel = np.ones((5,5))
#膨胀操作
dilateImg=cv2.dilate(image,kernel)
cv2.imshow('dilate',dilateImg)
#腐蚀操作
erodeImg=cv2.erode(image,kernel)
cv2.imshow('erode',erodeImg)
#开运算
morphOpenImg=cv2.morphologyEx(image,cv2.MORPH_OPEN,kernel)
cv2.imshow('morphOpen',morphOpenImg)
#闭运算
morphCloseImg=cv2.morphologyEx(image,cv2.MORPH_CLOSE,kernel)
cv2.imshow('morphClose',morphCloseImg)
#先开后闭
morphOpenImg=cv2.morphologyEx(image,cv2.MORPH_OPEN,kernel)
morphOpenAndCloseImg=cv2.morphologyEx(morphOpenImg,cv2.MORPH_CLOSE,kernel)
cv2.imshow('morphOpenAndCloseImg',morphOpenAndCloseImg)
#等待结束
cv2.waitKey()
cv2.destroyAllWindows()
import numpy as np
#导入图片并显示
image=cv2.imread('D:/xiaomu/dawawazao.jpg')
cv2.imshow('orgin',image)
#定义一个5*5的卷积核
kernel = np.ones((5,5))
#膨胀操作
dilateImg=cv2.dilate(image,kernel)
cv2.imshow('dilate',dilateImg)
#腐蚀操作
erodeImg=cv2.erode(image,kernel)
cv2.imshow('erode',erodeImg)
#开运算
morphOpenImg=cv2.morphologyEx(image,cv2.MORPH_OPEN,kernel)
cv2.imshow('morphOpen',morphOpenImg)
#闭运算
morphCloseImg=cv2.morphologyEx(image,cv2.MORPH_CLOSE,kernel)
cv2.imshow('morphClose',morphCloseImg)
#先开后闭
morphOpenImg=cv2.morphologyEx(image,cv2.MORPH_OPEN,kernel)
morphOpenAndCloseImg=cv2.morphologyEx(morphOpenImg,cv2.MORPH_CLOSE,kernel)
cv2.imshow('morphOpenAndCloseImg',morphOpenAndCloseImg)
#等待结束
cv2.waitKey()
cv2.destroyAllWindows()
在PYTHON中，如果参数选取默认值的话，可以不写了，这是与CPP的不同之处，所以上面的代码中缺少很多的东西。
下面是结果：
从左到右分别是原图，膨胀，腐蚀。
从左到右分别是开运算，闭运算，先开后闭。
我们清楚地发现，先开后闭运算之后，图片中的小点全没了，有效地去除了噪声。可是呢，图片不清晰了，这也是缺点吧，如果想要图片更清晰，换好些的卷积核实验吧。
———————————————
如果对我的课程感兴趣的话，欢迎关注小木希望学园-微信公众号：
mutianwei521
也可以扫描二维码哦！
京公网安备 11010802041100号