1. 形态学图像处理基础概念
在数字图像处理领域,形态学操作是一组基于形状的图像处理技术。这些操作通过结构元素(structuring element)与输入图像进行相互作用,从而提取图像中有用的形状信息。形态学操作最初是为二值图像开发的,后来扩展到灰度图像处理。
结构元素本质上是一个小矩阵,通常比待处理图像小得多,其中包含0和1的排列组合。这个矩阵的中心点称为原点,决定了操作时的对齐方式。结构元素的大小和形状会直接影响处理效果,常见的形状包括矩形、圆形和十字形。
提示:选择结构元素时,圆形适合处理边缘平滑的对象,十字形适合处理细长结构,矩形则适合处理直角特征。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 腐蚀与膨胀操作详解
2.1 腐蚀(Erosion)操作原理
腐蚀操作可以看作是形态学中的"收缩"操作。对于二值图像,腐蚀会使物体边界向内收缩,消除小的孤立点,断开狭窄的连接部分。其数学定义为:
A⊖B =
其中A是输入图像,B是结构元素,(B)z表示结构元素B平移z后的集合。这个公式表示:输出图像中的点z,当且仅当结构元素B平移z后完全包含在A中时,才被保留。
在OpenCV中实现腐蚀操作的Python代码:
python复制import cv2
import numpy as np
# 读取图像
img = cv2.imread('input.png', 0)
# 定义结构元素
kernel = np.ones((5,5), np.uint8)
# 腐蚀操作
erosion = cv2.erode(img, kernel, iterations=1)
2.2 膨胀(Dilation)操作原理
膨胀是腐蚀的对偶操作,可以看作是形态学中的"扩张"操作。它会使物体边界向外扩张,填补小的孔洞,连接断裂的部分。数学定义为:
A⊕B =
其中B̂表示结构元素B的反射(关于原点的对称)。这个公式表示:输出图像中的点z,当且仅当结构元素B的反射平移z后与A有交集时,才被包含。
OpenCV中的膨胀实现:
python复制dilation = cv2.dilate(img, kernel, iterations=1)
