深入理解腐蚀的原理、实现与应用
腐蚀是数学形态学的基本操作之一，主要用于缩小图像中的前景对象，常用于去除小的噪声点或分离相连的对象。
腐蚀是数学形态学中最基本的操作之一。它使用一个结构元素（也称为核或模板）在图像上滑动，并执行最小值操作。对于二值图像，腐蚀操作的定义如下：
| 结构元素 | 效果 | 应用 |
|---|---|---|
| 3×3 方形 | 轻微腐蚀 | 去小噪点 |
| 5×5 方形 | 中度腐蚀 | 断开连接 |
| 3×3 十字 | 方向性腐蚀 | 保留特定方向 |
对于图像A和结构元素B，A被B腐蚀定义为：
A ⊖ B = {z | (B)z ⊆ A}
直观地说，腐蚀操作检查结构元素B在图像A中的每一个位置，只有当B完全包含在A中时，中心像素才被保留。这会导致前景对象（白色区域）变小。
对于灰度图像，腐蚀操作定义为：
(f ⊖ b)(x,y) = min{f(x+s, y+t) - b(s,t) | (s,t) ∈ B}
import cv2
import numpy as np
import matplotlib.pyplot as plt
def erosion_builtin(image_path, kernel_size=3, iterations=1):
"""
使用OpenCV内置函数实现腐蚀
:param image_path: 输入图像路径
:param kernel_size: 结构元素大小
:param iterations: 腐蚀次数
:return: 原图和腐蚀后的图像
"""
# 读取图像
img = cv2.imread(image_path)
# 创建结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, kernel_size))
# 应用腐蚀
eroded = cv2.erode(img, kernel, iterations=iterations)
return img, eroded
def manual_erosion_binary(image_path, kernel_size=3):
"""
手动实现二值图像腐蚀
:param image_path: 输入图像路径
:param kernel_size: 结构元素大小
:return: 腐蚀后的二值图像
"""
# 读取图像并转换为二值图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
height, width = binary.shape
pad_size = kernel_size // 2
# 对图像进行填充
padded = np.pad(binary, pad_size, mode='constant', constant_values=255)
# 创建输出图像
eroded = np.zeros_like(binary)
# 应用腐蚀操作
for i in range(height):
for j in range(width):
# 提取当前窗口
window = padded[i:i+kernel_size, j:j+kernel_size]
# 检查窗口中的最小值
if np.min(window) == 255: # 只有当所有像素都是白色时，输出才是白色
eroded[i, j] = 255
else:
eroded[i, j] = 0
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(eroded, cv2.COLOR_GRAY2BGR)
def manual_erosion_grayscale(image_path, kernel_size=3):
"""
手动实现灰度图像腐蚀
:param image_path: 输入图像路径
:param kernel_size: 结构元素大小
:return: 腐蚀后的灰度图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
height, width = img.shape
pad_size = kernel_size // 2
# 对图像进行填充（使用最大值填充以避免边界效应）
padded = np.pad(img, pad_size, mode='edge')
# 创建输出图像
eroded = np.zeros_like(img)
# 应用腐蚀操作
for i in range(height):
for j in range(width):
# 提取当前窗口
window = padded[i:i+kernel_size, j:j+kernel_size]
# 计算窗口中的最小值
eroded[i, j] = np.min(window)
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(eroded, cv2.COLOR_GRAY2BGR)
def erosion_with_different_shapes(image_path):
"""
使用不同形状的结构元素进行腐蚀
:param image_path: 输入图像路径
:return: 原图和不同形状结构元素的腐蚀结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 创建不同形状的结构元素
kernels = {
'Rectangle': cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)),
'Ellipse': cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)),
'Cross': cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))
}
results = {}
for name, kernel in kernels.items():
eroded = cv2.erode(binary, kernel, iterations=1)
results[name] = cv2.cvtColor(eroded, cv2.COLOR_GRAY2BGR)
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), results
def noise_removal_erosion(image_path):
"""
使用腐蚀去除噪声
:param image_path: 输入图像路径
:return: 原图、含噪声图像和去噪声后的图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 添加椒盐噪声
def add_salt_pepper_noise(image, salt_prob=0.01, pepper_prob=0.01):
noisy_img = image.copy()
total_pixels = image.size
# 添加盐噪声（白色点）
num_salt = int(salt_prob * total_pixels)
coords = [np.random.randint(0, i - 1, num_salt) for i in image.shape]
noisy_img[coords] = 255
# 添加椒噪声（黑色点）
num_pepper = int(pepper_prob * total_pixels)
coords = [np.random.randint(0, i - 1, num_pepper) for i in image.shape]
noisy_img[coords] = 0
return noisy_img
# 创建含噪声图像
noisy_img = add_salt_pepper_noise(img, 0.02, 0.02)
# 应用腐蚀去除噪声（白色噪声点）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
eroded = cv2.erode(noisy_img, kernel, iterations=1)
return (cv2.cvtColor(img, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(noisy_img, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(eroded, cv2.COLOR_GRAY2BGR))
def adaptive_erosion(image_path, region_size=15):
"""
自适应腐蚀 - 根据局部特性调整腐蚀强度
:param image_path: 输入图像路径
:param region_size: 局部区域大小
:return: 原图和自适应腐蚀结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 计算局部方差
mean_local = cv2.blur(img, (region_size, region_size))
squared_img = img.astype(np.float64) ** 2
mean_squared_local = cv2.blur(squared_img, (region_size, region_size))
variance_local = mean_squared_local - mean_local.astype(np.float64) ** 2
# 根据局部方差调整腐蚀核大小
height, width = img.shape
result = img.copy()
for i in range(0, height, 5): # 采样步长
for j in range(0, width, 5):
# 获取局部方差
local_var = variance_local[min(i, variance_local.shape[0]-1), min(j, variance_local.shape[1]-1)]
# 根据方差大小调整核大小
if local_var < 1000: # 平坦区域
kernel_size = 3
elif local_var < 5000: # 中等纹理区域
kernel_size = 5
else: # 高纹理区域
kernel_size = 1
if kernel_size > 1:
roi = img[max(0, i-kernel_size//2):min(height, i+kernel_size//2+1),
max(0, j-kernel_size//2):min(width, j+kernel_size//2+1)]
result[i, j] = np.min(roi)
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(result, cv2.COLOR_GRAY2BGR)
def morphological_gradient(image_path):
"""
形态学梯度 - 膨胀结果减去腐蚀结果
:param image_path: 输入图像路径
:return: 原图和形态学梯度结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 创建结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 腐蚀
eroded = cv2.erode(img, kernel)
# 膨胀
dilated = cv2.dilate(img, kernel)
# 形态学梯度
gradient = cv2.subtract(dilated, eroded)
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(gradient, cv2.COLOR_GRAY2BGR)
# 使用示例
if __name__ == "__main__":
# 注意：需要提供实际的图像路径
# img, result = erosion_builtin('image.jpg', 3, 1)
# binary_img, binary_result = manual_erosion_binary('image.jpg', 3)
# gray_img, gray_result = manual_erosion_grayscale('image.jpg', 3)
# shape_img, shape_results = erosion_with_different_shapes('image.jpg')
# noise_orig, noise_img, noise_result = noise_removal_erosion('image.jpg')
# adapt_img, adapt_result = adaptive_erosion('image.jpg')
# grad_img, grad_result = morphological_gradient('image.jpg')
pass