该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类、目标检测应用。

前一篇文章介绍图像阈值化处理操作，包括二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。本篇文章将讲解Python调用OpenCV实现图像腐蚀和图像膨胀的算法，基础知识，希望对您有所帮助。如果有不足之处，还请海涵~

• 一.基础理论

• 二.图像腐蚀代码实现

• 三.图像膨胀代码实现

• 四.总结

文章参考自己以前系列图像处理文章及OpenCV库函数，同时部分参考网易云lilizong老师的视频，推荐大家去学习。同时，本篇文章涉及到《计算机图形学》基础知识，请大家下来补充。该系列在github所有源代码：

• https://github.com/eastmountyxz/

  ImageProcessing-Python

  
  

前文回顾（下面的超链接可以点击喔）：

• [Python图像处理] 一.图像处理基础知识及OpenCV入门函数

• [Python图像处理] 二.OpenCV+Numpy库读取与修改像素

• [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理

• [Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波、中值滤波及双边滤波

• [Python图像处理] 五.图像融合、加法运算及图像类型转换

• [Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移

• [Python图像处理] 七.图像阈值化处理及民族服饰实验对比

• [Python图像处理] 八.图像腐蚀与图像膨胀
  

学Python近八年，认识了很多大佬和朋友，感恩。由于在外求学且需要养娃，故在CSDN设置成了最低价收费专栏，觉得不错的可以购买抬爱；但作者的本意是帮助更多初学者入门，因此在github开源了所有代码，也在公众号同步更新。深知自己很菜，得拼命努力前行，编程也没有什么捷径，干就对了。希望未来能更透彻学习和撰写文章，同时非常感谢参考文献中的大佬们的文章和分享，共勉。

- https://blog.csdn.net/eastmount

一. 基础知识

图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。其中：

• 膨胀类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大。

• 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。

1.图像膨胀
膨胀的运算符是“⊕”，其定义如下：

该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点，用模板元素与二值图像元素做“与”运算，如果都为0，那么目标像素点为0，否则为1。

从而计算B覆盖区域的像素点最大值，并用该值替换参考点的像素值实现膨胀。下图是将左边的原始图像A膨胀处理为右边的效果图A⊕B。

处理结果如下图所示：

2.图像腐蚀
腐蚀的运算符是“－”，其定义如下：

该公式表示图像A用卷积模板B来进行腐蚀处理，通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。如图所示，将左边的原始图像A腐蚀处理为右边的效果图A-B。

处理结果如下图所示：

二. 图像腐蚀代码实现

1.基础理论
形态学转换主要针对的是二值图像（0或1）。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。其主要包括两个输入对象：

• 二值图像

• 卷积核
  

卷积核是腐蚀中的关键数组，采用numpy库可以生成。卷积核的中心点逐个像素扫描原始图像，如下图所示：

被扫描到的原始图像中的像素点，只有当卷积核对应的元素值均为1时，其值才为1，否则其值修改为0。换句话说，遍历到的黄色点位置，其周围全部是白色，保留白色，否则变为黑色，图像腐蚀变小。

2.函数原型
图像腐蚀主要使用的函数为erode，其原型如下：

• dst = cv2.erode(src, kernel, iterations)
  

参数dst表示处理的结果，src表示原图像，kernel表示卷积核，iterations表示迭代次数。下图表示5*5的卷积核，可以采用函数 np.ones((5,5), np.uint8) 构建。

注意：迭代次数默认是1，表示进行一次腐蚀，也可以根据需要进行多次迭代，进行多次腐蚀。

3.代码实现
完整代码如下所示：

#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test01.jpg', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像腐蚀处理
erosion = cv2.erode(src, kernel)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示：

由图可见，干扰的细线被进行了清洗，但仍然有些轮廓，此时可设置迭代次数进行腐蚀。

• erosion = cv2.erode(src,

  kernel,iterations=9)

输出结果如下图所示：

三. 图像膨胀代码实现

1.基础理论
图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了，主要用于去噪。

• 图像被腐蚀后，去除了噪声，但是会压缩图像。

• 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。

它也包括两个输入对象：

• 二值图像或原始图像

• 卷积核
  

卷积核是腐蚀中的关键数组，采用numpy库可以生成。卷积核的中心点逐个像素扫描原始图像，如下图所示：

被扫描到的原始图像中的像素点，当卷积核对应的元素值只要有一个为1时，其值就为1，否则为0。

2.函数原型
图像膨胀主要使用的函数为dilate，其原型如下：

• dst = cv2.dilate(src, kernel, iterations)
  
  

参数dst表示处理的结果，src表示原图像，kernel表示卷积核，iterations表示迭代次数。下图表示5*5的卷积核，可以采用函数 np.ones((5,5), np.uint8) 构建。

注意：迭代次数默认是1，表示进行一次膨胀，也可以根据需要进行多次迭代，进行多次膨胀。通常进行1次膨胀即可。

3.代码实现
完整代码如下所示：

#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test02.png', cv2.IMREAD_UNCHANGED)

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像膨胀处理
erosion = cv2.dilate(src, kernel)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", erosion)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下所示：

图像去噪通常需要先腐蚀后膨胀，这又称为开运算，下篇文章将详细介绍。如下图所示：

• erosion = cv2.erode(src, kernel)

• result = cv2.dilate(erosion, kernel)

四.总结

本篇文章主要讲解Python调用OpenCV实现图像腐蚀和图像膨胀的算法，基础性知识希望对您有所帮助。

• 一.基础理论

• 二.图像腐蚀代码实现

• 三.图像膨胀代码实现

  
  

回想2018年当时写这篇文章的感言，不错！

三尺讲台，三寸舌，
三千桃李，三杆笔。
再累再苦，站在讲台前就是最美的自己，几个月的烦恼和忧愁都已消失，真的好享受这种状态，仿佛散着光芒，终于给低年级的同学上课了越早培养编程兴趣越好，恨不能倾囊相授。即使当一辈子的教书匠，平平淡淡也喜欢，而且总感觉给学生讲课远不是课酬和职称所能比拟，这就是所谓的事业，所谓的爱好。

源代码下载地址，记得帮忙点star和关注喔！

• https://github.com/eastmountyxz/

  ImageProcessing-Python

2020年8月18新开的“娜璋AI安全之家”，主要围绕Python大数据分析、网络空间安全、人工智能、Web渗透及攻防技术进行讲解，同时分享CCF、SCI、南核北核论文的算法实现。娜璋之家会更加系统，并重构作者的所有文章，从零讲解Python和安全，写了近十年文章，真心想把自己所学所感所做分享出来，还请各位多多指教，真诚邀请您的关注！谢谢。

(By:Eastmount 2021-05-03 夜于贵阳 )

参考文献，在此感谢这些大佬，共勉！

• [1] 冈萨雷斯. 数字图像处理（第3版）[M]. 电子工业出版社, 2013.

• [2] 罗子江. Python中的图像处理[M]. 科学出版社, 2020.

• [3] https://blog.csdn.net/Eastmount

• [4]《计算机图形学》基础知识

• [5] 部分内容参考网易云lilizong老师的视频