图像处理基础：图像膨胀、腐蚀、开闭运算及梯度运算的Python实现

图像膨胀类似于“领域扩张”，是一种基本的形态学运算，主要用来寻找图像中的极大区域。这种运算将图像的高亮区域或白色部分进行扩张，使得运行结果图比原图的高亮区域更大。其运算符是“⊕”，可以通过定义的结构元素或卷积核与原始图像进行卷积操作实现。在二值图像中，膨胀运算可以用“与”运算来实现。具体来说，就是用结构元素扫描图像的每一个像素，如果结构元素覆盖的区域中至少有一个像素值为1，则将该像素的值设为1。这样，图像中的高亮区域就会扩大，实现了膨胀的效果。需要注意的是，膨胀运算并不改变原始图像中像素值为0的区域。原图膨胀结果如下图所示：

原图像：

结构元素：

膨胀后结果：

1.2、膨胀函数代码展示

膨胀函数：

cv2.dilate(img, kernel, iteration)

img：需要进行膨胀操作的原始图像。
kernel：用于膨胀操作的结构元素或卷积核。
iteration：可选参数，表示膨胀操作的迭代次数。如果指定了这个参数，那么膨胀操作将会重复执行指定次数。

实际案例展示：

wenzi = cv2.imread('wenzi.png')#读取原图像
cv2.imshow('src',wenzi)
cv2.waitKey(100000)

kernel = np.ones((2,2),np.uint8)  #设置kenenel大小
wenzi_new = cv2.dilate(wenzi,kernel,iterations=2) #膨胀操作
cv2.imshow('wenzi_new',wenzi_new)
cv2.waitKey(100000)

原图：

膨胀后图像：

2、图像腐蚀

2.1、基本概念

图像腐蚀类似于“领域被蚕食”，是一种基本的形态学运算，主要用来寻找图像中的极小区域。这种运算将图像的高亮区域或白色部分进行缩减细化，使得运行结果图比原图的高亮区域更小。其运算符是“Θ”，可以通过定义的结构元素或卷积核与原始图像进行卷积操作实现。在二值图像中，腐蚀运算可以用“与”运算来实现。具体来说，就是用结构元素扫描图像的每一个像素，如果结构元素覆盖的区域中所有像素值都为1，则将该像素的值设为1。这样，图像中的高亮区域就会缩小，实现了腐蚀的效果。需要注意的是，腐蚀运算并不改变原始图像中像素值为0的区域。原图腐蚀结果如下图所示：

原图：

腐蚀元素：

腐蚀后结果：

2.2、腐蚀函数代码展示

腐蚀函数：

cv2.erode(src, kernel, dst,anchor,iterations,borderType,borderValue)

src：原始图像，即需要进行腐蚀操作的图像。
kernel：用于腐蚀操作的结构元素或卷积核。
dst：可选参数，表示腐蚀操作后的输出图像。如果不指定该参数，那么函数将返回一个新的图像对象。
anchor：可选参数，表示结构元素的锚点位置。默认情况下，锚点位于结构元素的中心。
iterations：可选参数，表示腐蚀操作的迭代次数。如果指定了这个参数，那么腐蚀操作将会重复执行指定次数。
borderType：可选参数，表示图像边界的类型。如果指定了这个参数，那么函数将会在腐蚀操作前对图像进行边界处理。
borderValue：可选参数，表示边界值。如果指定了borderType参数，那么该参数表示用于边界处理的像素值。

实际案例展示：

import numpy as np
import cv2
sun = cv2.imread('sun.png')
cv2.imshow('src',sun)
cv2.waitKey(100000)

kernel = np.ones((3,3),np.uint8)  #设置kenenel大小
erosion_1 = cv2.erode(sun,kernel,iterations=5)  #进行腐蚀操作
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(100000)

腐蚀后图像：

3、图像开运算

3.1、基本概念

图像开运算是图像依次经过腐蚀、膨胀处理后的过程。具体来说，图像被腐蚀后，可以去除噪声，但也会压缩图像；接着对腐蚀过的图像进行膨胀处理，可以进一步去除噪声，并恢复原有图像的大小。开运算能够去除图像中的小物体，在纤细点分离物体，平滑较大物体的边界同时并不明显改变其面积。

3.2、开运算函数代码展示

cv2.morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None)

上述为形态学扩展操作的函数代码，适用于开运算、闭运算以及梯度运算等，下述不再重复。

op：指定的形态学操作类型，可以是开运算(cv2.MORPH_OPEN)、闭运算(cv2.MORPH_CLOSE)、梯度运算(cv2.MORPH_GRADIENT)等。
dst：可选参数，表示形态学操作后的输出图像。如果不指定该参数，那么函数将返回一个新的图像对象。
anchor：可选参数，表示结构元素的锚点位置。默认情况下，锚点位于结构元素的中心。
iterations：可选参数，表示形态学操作的迭代次数。如果指定了这个参数，那么形态学操作将会重复执行指定次数。
borderType：可选参数，表示图像边界的类型。如果指定了这个参数，那么函数将会在形态学操作前对图像进行边界处理。
borderValue：可选参数，表示边界值。如果指定了borderType参数，那么该参数表示用于边界处理的像素值。

实际案例展示：

zhiwen = cv2.imread('zhiwen.png')
cv2.imshow('src',zhiwen)
cv2.waitKey(100000)

kernel = np.ones((2,2),np.uint8)  #设置kenenel大小
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel) #开运算
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(100000)

原图像：

开运算图像结果：

4、图像闭运算

4.1、基本概念

图像闭运算是图像依次经过膨胀、腐蚀处理后的过程。具体来说，图像先膨胀，后腐蚀，它能够帮助关闭前景物体内部的小孔，或去除物体上的小黑点。闭运算能够填平小湖（即小孔），弥合小裂缝，而总的位置和形状不变。

4.2、闭运算函数代码展示

基于上述开运算后，图像仍有部分噪音没有去除，下列代码进行图像闭运算。

实际案例展示：

zhiwen = cv2.imread('zhiwen_duan.png')
cv2.imshow('src',zhiwen)
cv2.waitKey(100000)

kernel = np.ones((4,4),np.uint8)  #设置kenenel大小
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_CLOSE,kernel) #闭运算
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(100000)

图像闭运算结果：

5、图像梯度运算

5.1、基本概念

图像梯度运算是一种形态学操作，它通过计算图像膨胀结果与腐蚀结果的差值，得到图像的边界信息。具体来说，膨胀操作是将图像中的高亮区域或白色部分进行扩张，而腐蚀操作则是将图像中的高亮区域缩小。因此，通过计算膨胀与腐蚀的差值，可以得到图像中物体的边缘轮廓，即图像的梯度信息。这种操作可以用于提取图像中的边缘特征，增强图像的可视化效果，以及进行图像分割和识别等任务。

5.2、梯度运算函数代码展示

wenzi = cv2.imread('wenzi.png')
cv2.imshow('wenzi_new',wenzi)
cv2.waitKey(100000)

kernel = np.ones((2,2),np.uint8)  #设置kenenel大小
bianyuan = cv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel)#梯度运算
cv2.imshow('bianyuan',bianyuan)
cv2.waitKey(100000)

梯度运算图像结果：

原图：

梯度运算图像结果：

三、总结

通过这些形态学操作，我们可以更好地理解图像处理的基本原理和方法，掌握图像处理的基本技能，为进一步的图像分析和处理打下基础。