图像形态学操作（连通性、腐蚀、膨胀）_膨胀后会增加连通区域个数?

图像形态学是图像处理中的一种基本操作，用于分析和处理图像的形状和结构。其中，连通性、腐蚀和膨胀是常用的图像形态学操作。下面将对这三种操作进行详细介绍。

连通性：
连通性是指在图像中判断像素之间是否存在连接关系的性质。具体而言，连通性操作可以用于检测图像中的区域、轮廓或连接的像素点等。其中最常见的连通性操作是连通区域的标记和提取。

连通区域标记：将图像中的像素分为若干个不同的连通区域，并分别进行标记，使得同一连通区域内的像素具有相同的标记值。常用的算法有基于扫描的连通区域标记算法，如4邻域和8邻域连接等。

连通区域提取：根据连通区域的标记信息，可以提取出指定的连通区域。通过指定标记值的方式，可以选择提取出感兴趣的区域，如物体或目标。

腐蚀（Erosion）：
腐蚀操作是图像形态学中的一种基本操作，它可以用于缩小、消除或分离图像中的目标区域。腐蚀操作将结构元素（通常为一个小的二值图像，也称为核）应用于图像中的每个像素，如果结构元素完全包含在图像中的像素集合中，则该像素被保留，否则被腐蚀为背景。

腐蚀操作通过与图像中的边缘进行相交，使得目标区域不断收缩，从而达到消除细节或分离目标的效果。腐蚀操作常用于去除噪声、断开连接的部分以及分割图像中的目标。

膨胀（Dilation）：
膨胀操作是图像形态学中的另一种基本操作，它可以用于扩张、填充或连接图像中的目标区域。膨胀操作同样也是将结构元素应用于图像中的每个像素，如果结构元素与图像中的至少一个像素相交，则该像素被保留，否则被膨胀为前景。

膨胀操作通过与图像中的边缘进行相交，使得目标区域逐渐扩大，从而填补空洞或连接间隙。膨胀操作常用于填充目标区域、连接断开的部分以及图像重建等。

腐蚀和膨胀操作通常结合使用，可以实现一系列针对目标区域形态变化的处理效果。通过多次迭代腐蚀和膨胀操作，可以实现开运算（先腐蚀后膨胀）和闭运算（先膨胀后腐蚀）等复杂的形态学处理。

综上所述，图像形态学操作中的连通性、腐蚀和膨胀是常用的操作方法。它们可以应用于图像分析、目标提取、噪声去除等多个图像处理任务中，并且可以根据具体需求进行组合和调整以获得理想的处理结果。
图像形态学操作是一类用于分析和处理图像中形状和结构的数学方法。这些操作在计算机视觉、图像处理和模式识别中具有广泛的应用，可用于对象检测、分割、去噪以及图像增强等任务。在本文中，我们将深入介绍三种基本的图像形态学操作：连通性、腐蚀和膨胀，以及它们的原理和应用。
连通性

连通性是指图像中像素之间的连接关系，通常用于分析和识别图像中的对象或物体。在连通性分析中，我们关注的是像素如何通过相邻像素连接在一起，以形成连通的区域。

连通性分析的原理如下：

像素邻域：在连通性分析中，通常定义一个像素的邻域，例如4邻域（上、下、左、右）或8邻域（上、下、左、右和四个对角线方向）。这些邻域用于确定像素之间的连接关系。

连通组件：图像中的一组相互连接的像素被称为一个连通组件。它可以表示对象、物体或图像中的特定结构。

连通性标记：连通性分析通常包括将不同的连通组件分配不同的标签或标识符，以区分它们。这可以通过遍历像素并检查它们与相邻像素的连接性来实现。

连通性测量：连通组件的特性，如面积、周长、中心点等，可以用于分析和识别物体。这些测量可以用于检测图像中的对象或执行形状分析。
1
2
3
4
5
6
7

连通性分析在目标检测、物体计数、文本检测和图像分割等应用中具有重要意义。OpenCV和其他图像处理库提供了用于执行连通性分析的函数和工具。
腐蚀

腐蚀是形态学操作之一，用于缩小或侵蚀图像中的物体。它的原理如下：

结构元素：首先定义一个结构元素，通常是一个小的图像或卷积核，它用于在输入图像上滑动。

比较操作：将结构元素与输入图像进行比较，通常是像素级别的比较。如果结构元素的形状与图像中的物体相匹配，那么输出图像中对应位置的像素值将保持不变；否则，它将被设置为背景值。

缩小物体：通过反复应用腐蚀操作，可以缩小图像中的物体，消除小的细节和噪声。腐蚀操作可用于分割图像中的物体，或去除图像中的小斑点。
1
2
3
4
5

膨胀

膨胀是一种形态学操作，用于扩大或增强图像中的物体。它的原理如下：

结构元素：与腐蚀一样，首先定义一个结构元素，它用于在输入图像上滑动。

比较操作：将结构元素与输入图像进行比较，如果结构元素的形状与图像中的物体相匹配，那么输出图像中对应位置的像素值将被设置为前景值，否则将保持不变。

增强物体：通过反复应用膨胀操作，可以增强图像中的物体，填充物体内部的空洞，连接相邻的物
1
2
3
4
5

相关概念

形态学操作-腐蚀

参数：

• img: 要处理的图像
• kernal :核结构
• iteration ：腐蚀的次数，默认是1

形态学操作-膨胀

参数：

• img : 要处理的图像
• kernal : 核结构
• iteration : 膨胀的次数，默认为1

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']
#读取图像
img = cv.imread("lena.png")

#创建核结构

kernal = np.ones((5,5),np.uint8)

#图像的腐蚀和膨胀
erosion = cv.erode(img,kernal)  #腐蚀

dilate = cv.dilate(img,kernal)

#图像的显示
#使用 Matplotlib 库创建一个包含 1 行 3 列的子图网格（Grid），并设置整个图形的大小为 5x4 英寸，分辨率为 100 dpi
fig,axes = plt.subplots(nrows=1,ncols=3,figsize=(5,4),dpi=100)
axes[0].imshow(img[:,:,::-1])
axes[0].set_title("原图")

axes[1].imshow(erosion[:,:,::-1])
axes[1].set_title("腐蚀后结果")

axes[2].imshow(dilate[:,:,::-1])
axes[2].set_title("膨胀后结果")
plt .show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

结果展示