什么是膨胀腐蚀算法？

膨胀（Dilation）和腐蚀（Erosion）是**图像形态学（Mathematical Morphology）**里的基础算法，主要处理二值图像，也常用于灰度图像。它们通过一个小矩阵——结构元素（kernel / structuring element）——扫描图像，改变前景区域的边界形状。

约定：二值图像中白色（1）为前景，黑色（0）为背景。

1. 膨胀：让前景“变胖”

膨胀会扩展白色区域：

• 填补前景内部的小孔洞、断裂；
• 连接距离很近的物体；
• 让目标轮廓向外扩张。

对每个像素，查看其结构元素覆盖的邻域：只要邻域中存在一个前景像素，输出就是前景。

原图               3×3 结构元素膨胀后

0 0 0              1 1 1
0 1 0      →       1 1 1
0 0 0              1 1 1复制

在 OpenCV 中：

import cv2
import numpy as np

image = cv2.imread("binary.png", cv2.IMREAD_GRAYSCALE)
kernel = np.ones((3, 3), np.uint8)

dilated = cv2.dilate(image, kernel, iterations=1)

cv2.imwrite("dilated.png", dilated)复制

2. 腐蚀：让前景“变瘦”

腐蚀会收缩白色区域：

• 去掉小的白色噪点；
• 断开彼此粘连的物体；
• 去除目标边缘的细小突出部分。

对每个像素，只有当结构元素覆盖的邻域全部都是前景像素时，输出才是前景。

原图               3×3 结构元素腐蚀后

1 1 1              0 0 0
1 1 1      →       0 1 0
1 1 1              0 0 0复制

OpenCV 示例：

import cv2
import numpy as np

image = cv2.imread("binary.png", cv2.IMREAD_GRAYSCALE)
kernel = np.ones((3, 3), np.uint8)

eroded = cv2.erode(image, kernel, iterations=1)

cv2.imwrite("eroded.png", eroded)复制

3. 结构元素决定效果

常见的结构元素如下：

# 方形：各方向均匀处理
kernel = np.ones((3, 3), np.uint8)

# 十字形：更强调上下左右方向
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))

# 椭圆形：边界通常更平滑
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))复制

kernel 越大，膨胀或腐蚀的效果越强；iterations 越多，效果也会累积。

4. 两个常见组合

开运算（Opening）：先腐蚀，再膨胀

用于消除小的前景噪点，同时尽量保留大目标。

opened = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)复制

例如：一张黑底白字图片有零散白点，先腐蚀去掉白点，再膨胀恢复文字主体。

闭运算（Closing）：先膨胀，再腐蚀

用于填补前景中的小黑洞，或连接接近但有缝隙的区域。

closed = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)复制

例如：OCR 前处理时，文字笔画有轻微断裂，可以先做闭运算。

可以把它们简单记成：

它们不是“识别”算法，而是图像预处理手段，常用在 OCR、目标分割、轮廓提取、二维码处理等任务之前。