计算机视觉 / 系统课时

执行腐蚀与膨胀

执行腐蚀与膨胀

腐蚀和膨胀是最基础的形态学操作:前者收缩前景,可清除小噪点或细连接;后者扩张前景,可填补窄缝并连接接近的区域。本节用同一张二值掩膜观察两种操作的差异,并说明核尺寸与迭代次数的影响。

学习目标

  • 使用 cv2.erode 和 cv2.dilate 处理二值图像
  • 判断腐蚀与膨胀对前景边界、噪点和断裂的影响
  • 避免前景定义、核尺寸和迭代次数带来的常见误判

腐蚀与膨胀如何改变前景

以下说明以“白色 255 为前景、黑色 0 为背景”为前提。腐蚀要求结构元素覆盖的位置都能落在前景内,因此前景边界向内收缩;膨胀只要结构元素覆盖到前景,就会把周围位置扩为前景,因此边界向外扩张。

二值前景经过腐蚀与膨胀后的边界变化

同一个核并没有固定的“去噪”或“连接”属性,效果来自操作规则。腐蚀会同时削薄所有前景,所以它虽然能删除小区域,也可能损伤细线;膨胀能连接断裂,但也会放大噪点和让相邻目标粘连。

用 OpenCV 执行两种操作

下面构造一个小型二值掩膜:两块主体之间留有两列空隙,右下角再放一个单像素噪点。使用 3×3 矩形核做一次腐蚀和一次膨胀,并用像素统计验证结果。

python
import cv2
import numpy as np

mask = np.zeros((10, 18), dtype=np.uint8)
mask[2:7, 2:6] = 255
mask[2:7, 8:12] = 255
mask[8, 16] = 255  # 单像素噪点

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
eroded = cv2.erode(mask, kernel, iterations=1)
dilated = cv2.dilate(mask, kernel, iterations=1)

print("original foreground:", np.count_nonzero(mask))
print("eroded foreground:", np.count_nonzero(eroded))
print("dilated foreground:", np.count_nonzero(dilated))
print("noise after erosion:", int(eroded[8, 16]))
print("gap after dilation:", int(dilated[4, 6]), int(dilated[4, 7]))

预期输出

text
original foreground: 41
eroded foreground: 12
dilated foreground: 93
noise after erosion: 0
gap after dilation: 255 255

腐蚀后前景像素显著减少,单像素噪点变为 0;膨胀后原来的间隙位置变为 255,说明两块区域已被扩张到相连。实际图像中的数值会随目标形状和边界条件变化,但判断方法相同。

控制核尺寸与迭代次数

核越大,一次操作影响的邻域越宽;iterations 越大,则会重复执行同一操作。两者都能增强形态变化,但含义不同:增大核会改变每一步观察的空间范围,增加迭代次数则是在当前核规则下连续推进边界。

当任务是去除小白点时,可以从 3×3 腐蚀开始;当任务是连接窄断裂时,可以从 3×3 膨胀开始。如果主体明显变细或相邻目标开始粘连,说明参数已经过强,不应继续增大核或迭代次数。

避免把前景方向理解反

如果图像是“黑色目标、白色背景”,直接套用前面的直觉会得到相反的视觉感受。此时可以先通过阈值反转,让目标变成白色前景,再执行形态学操作;也可以保留原编码,但必须按数值最小值和最大值的规则理解结果。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

执行腐蚀与膨胀

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通