2020-06-21

Python OpenCV 影像侵蝕 erode 與影像膨脹 dilate

本篇介紹如何用 Python 搭配 OpenCV 模組來作影像侵蝕 cv2.erode 與影像膨脹 cv2.dilate，影像的侵蝕 Erosion 與膨脹 Dilation 是型態學的兩種基本運算，形態學主要是用來處理二值化後的影像，趕緊來學習吧。

Erosion 影像侵蝕

這篇要介紹影像處理中的型態變換，首先先介紹 Erosion 影像侵蝕。
用途1：Erosion 影像侵蝕對於移除影像中的小白雜點很有幫助，可用來去噪，例如影像中的小雜點，雜訊。
用途2：細化影像，消除毛刺。

影像侵蝕的概念就是將影像中白色區域(或高亮)進行細化或縮減，運算完的結果圖比原圖的白色區域更小，也可想像成讓該物體瘦一圈，而這一圈的寬度是由捲積 kernel 的大小所決定的，
實際上捲積 kernel 沿著影樣滑動並計算，如果捲積 kernel m x n 範圍內所有像素值都是1，那麼新的像素值就保持原來的值，
否則新的像素值為0，這表示捲積 kernel 掃過的所有像素都會被腐蝕或侵蝕掉(變為0)，所以整張影像的白色區域會變少。

cv2.erode() 的第一個參數為二值化的影像，第二個參數為使用的捲積 kernel，第三個參數為迭代次數(預設為1)，
範例中的 kernel 捲積大小為 3x3，可以改成 5x5 或 7x7 較為常見，預設值為 3x3

opencv-erode.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import cv2
import numpy as np

image = cv2.imread('LinuxLogo.jpg', 0)
kernel = np.ones((3,3), np.uint8)
erosion = cv2.erode(image, kernel, iterations = 1)

cv2.imshow('Input', image)
cv2.imshow('Result', erosion)
cv2.waitKey(0)

結果圖如下所示：
可以發現右邊影像的線條明顯地變細了

Dilation 影像膨脹

再來介紹 Dilation 影像膨脹，
用途1：Dilation 影像膨脹通常是配合著影像侵蝕 Erosion 使用，先使用侵蝕的方式使影像中的線條變窄，同時也去除雜訊，之後再透過 Dilation 將影像膨脹回來。
用途2：用來連接兩個很靠近但分開的物體。

影像膨脹的概念就是將影像中白色區域(或高亮)進行擴張，運算完的結果圖比原圖的白色區域更大，也可想像成讓該物體胖一圈，而這一圈的寬度是由捲積 kernel 的大小所決定的，
在實際上捲積 kernel 沿著影樣滑動並計算，如果捲積 kernel m x n 範圍內只要有一個像素值是1，那麼新的像素值就為1，
否則新的像素值保持原來的像素值，這表示捲積 kernel 掃過的所有像素都會被擴張或膨脹(變為1)，所以整張影像的白色區域會變多。

cv2.dilate() 的第一個參數為二值化的影像，第二個參數為使用的捲積 kernel，第三個參數為迭代次數(預設為1)，
範例中的 kernel 捲積大小為 3x3，可以改成 5x5 或 7x7 較為常見，預設值為 3x3

opencv-dilate.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import cv2
import numpy as np

image = cv2.imread('LinuxLogo.jpg', 0)
kernel = np.ones((3,3), np.uint8)
dilation = cv2.dilate(image, kernel, iterations = 1)

cv2.imshow('Input', image)
cv2.imshow('Result', dilation)
cv2.waitKey(0)

結果圖如下所示：

參考
Morphological Transformations — OpenCV-Python Tutorials beta documentation
https://opencv24-python-tutorials.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_morphological_ops/py_morphological_ops.html
opencv-python中的腐蝕與膨脹函數
https://blog.csdn.net/hjxu2016/article/details/77837765