前言
前段时间在看CSDN学院的计算机视觉的课程，课程链接：
- https://edu.csdn.net/course/play/26281/327074?utm_source=blogtoedu
看完之后自己也做了比较粗略的笔记，链接如下：
- https://blog.csdn.net/sf9898/article/details/104215801
- https://blog.csdn.net/sf9898/article/details/104270277
由于以前上过数字图像处理的课程，因此在上这门课程上到数学形态学腐蚀膨胀那一块的时候有点疑惑，课程里面讲的膨胀的做法和我以前学的做法得出的答案是不一样的，因此查资料做整理得到这篇博客。
正文
抛出观点
个人认为课程里面的膨胀操作不正确
腐蚀&&膨胀
膨胀和腐蚀字面意思很好理解，膨胀就相当于在原有的图外围加一圈，腐蚀则是减少一圈，而且现实中比如OpenCV调用相应的函数得到的效果图也确实反映了上述结论。
回归到它们的本质（毕竟有时候要做题），看看它们的实现过程。以前学的和下面视频里的差不多。以下PPT图片来源于网上视频截图，我认为这个课程讲的不错，中科院的，传送门：
- https://www.bilibili.com/video/av43045572?p=29
先说腐蚀，虽然步骤和CSDN计算机视觉课程讲的不一样但是我做出来的结果是一样的。
定义和意义不怎么理解问题不大，主要是算法步骤要会。比如下面这题，（a）是原始图像（二值图像），（b）是结构元素，也就是说（a）是上述的X，（b）是上述的S。（c）是最后的答案。
接下来按步骤走，用结构元素扫描每一个像素。做“与”操作——如果结构元素区域的图像的像素都为1，则这个origin或者说是图（b）中的+号所对应的像素就为1。比如下图，当结构元素移动到（或者说扫描到红色标记的区域）时，此时这三个方格内没有都是1（图中紫色区域为1），因此+号对应的像素点为0。
再比如下图,当移动到图中红色区域时，都为1，故+号处像素为1。依次类推，可以得出（c）图的结果。（黑色区域为最终结果）
可以试着做下PPT里面的题目。验证一下。
再说膨胀
移动或者说扫描的方式和上面一样（类似卷积），这回还是做与操作——但是这回是都为0，+号处才为0，也就是说只要有一个1的出现，那就为1。
比如这个图，按照类似的方法做一下。和图像中的卷积运算不大一样的是腐蚀膨胀过程一般会考虑边界，卷积一般不考虑边界。（下图中的蓝色部分相当于之前的+号）
可以发现，腐蚀会减少图中1的数量，膨胀则增加1的数量。那么在由黑白构成的二值图像中，膨胀会增加白色的范围，腐蚀则增加黑色的范围。因此，假设用以下这张图（font.png）进行实验，对于膨胀操作，可以想象，由于白色部分的增大，字体会变瘦；对于腐蚀操作，由于黑色部分的增大，字体会加粗。
Python3 + OpenCV 测试代码：
import cv2
img = cv2.imread("font.png")
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow("img",img)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
eroded = cv2.erode(img,kernel) #腐蚀
dilated = cv2.dilate(img,kernel) #膨胀
cv2.imshow("dilated",dilated)
cv2.imshow("eroded",eroded)
cv2.waitKey()
cv2.destroyAllWindows()
图片出处：
- https://blog.csdn.net/Suqing_2018/article/details/79185512?ops_request_misc=%7B%22request%5Fid%22%3A%22158175698119195239820858%22%2C%22scm%22%3A%2220140713.130056874…%22%7D&request_id=158175698119195239820858&biz_id=0&utm_source=distribute.pc_search_result.none-task
说明：
图片出处的博主文章是转载的，其中代码已经缺失，结果和我的相反的原因应该是源程序是对于黑色像素进行处理的。如若文章有哪里写错了还望指出。
