圖像的膨脹（Dilation）和腐蝕（Erosion）是兩種基本的形態學運算，主要用來尋找圖像中的極大區域和極小區域。其中膨脹類似於“領域擴張”，將圖像中的高亮區域或白色部分進行擴張，其運行結果圖比原圖的高亮區域更大；腐蝕類似於“領域被蠶食”，將圖像中的高亮區域或白色部分進行縮減細化，其運行結果圖比原圖的高亮區域更小。
1.圖像膨脹
膨脹的運算符是“⊕”，其定義如下：
該公式表示用B來對圖像A進行膨脹處理，其中B是一個卷積模板或卷積核，其形狀可以爲正方形或圓形，通過模板B與圖像A進行卷積計算，掃描圖像中的每一個像素點，用模板元素與二值圖像元素做“與”運算，如果都爲0，那麼目標像素點爲0，否則爲1。從而計算B覆蓋區域的像素點最大值，並用該值替換參考點的像素值實現膨脹。下圖是將左邊的原始圖像A膨脹處理爲右邊的效果圖A⊕B。
2.圖像腐蝕
腐蝕的運算符是“－”，其定義如下：
該公式表示圖像A用卷積模板B來進行腐蝕處理，通過模板B與圖像A進行卷積計算，得出B覆蓋區域的像素點最小值，並用這個最小值來替代參考點的像素值。如圖所示，將左邊的原始圖像A腐蝕處理爲右邊的效果圖A-B。
處理結果如下圖所示：
二. 圖像腐蝕代碼實現
1.基礎理論
形態學轉換主要針對的是二值圖像（0或1）。圖像腐蝕類似於“領域被蠶食”，將圖像中的高亮區域或白色部分進行縮減細化，其運行結果圖比原圖的高亮區域更小。其主要包括兩個輸入對象：
(1)二值圖像
(2)卷積核
卷積核是腐蝕中的關鍵數組，採用numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，如下圖所示：
被掃描到的原始圖像中的像素點，只有當卷積覈對應的元素值均爲1時，其值才爲1，否則其值修改爲0。換句話說，遍歷到的黃色點位置，其周圍全部是白色，保留白色，否則變爲黑色，圖像腐蝕變小。
2.函數原型
圖像腐蝕主要使用的函數爲erode，其原型如下：
dst = cv2.erode(src, kernel, iterations)
參數dst表示處理的結果，src表示原圖像，kernel表示卷積核，iterations表示迭代次數。下圖表示5*5的卷積核，可以採用函數 np.ones((5,5), np.uint8) 構建。
注意：迭代次數默認是1，表示進行一次腐蝕，也可以根據需要進行多次迭代，進行多次腐蝕。
3.代碼實現
完整代碼如下所示：
輸出結果如下圖所示：
由圖可見，干擾的細線被進行了清洗，但仍然有些輪廓，此時可設置迭代次數進行腐蝕。
erosion = cv2.erode(src, kernel,iterations=9)
輸出結果如下圖所示：
三. 圖像膨脹代碼實現
1.基礎理論
圖像膨脹是腐蝕操作的逆操作，類似於“領域擴張”，將圖像中的高亮區域或白色部分進行擴張，其運行結果圖比原圖的高亮區域更大，線條變粗了，主要用於去噪。
(1) 圖像被腐蝕後，去除了噪聲，但是會壓縮圖像。
(2) 對腐蝕過的圖像，進行膨脹處理，可以去除噪聲，並且保持原有形狀。
它也包括兩個輸入對象：
(1)二值圖像或原始圖像
(2)卷積核
卷積核是腐蝕中的關鍵數組，採用numpy庫可以生成。卷積核的中心點逐個像素掃描原始圖像，如下圖所示：
被掃描到的原始圖像中的像素點，當卷積覈對應的元素值只要有一個爲1時，其值就爲1，否則爲0。
2.函數原型
圖像膨脹主要使用的函數爲dilate，其原型如下：
dst = cv2.dilate(src, kernel, iterations)
參數dst表示處理的結果，src表示原圖像，kernel表示卷積核，iterations表示迭代次數。下圖表示5*5的卷積核，可以採用函數 np.ones((5,5), np.uint8) 構建。
注意：迭代次數默認是1，表示進行一次膨脹，也可以根據需要進行多次迭代，進行多次膨脹。通常進行1次膨脹即可。
3.代碼實現
完整代碼如下所示：
輸出結果如下所示：
圖像去噪通常需要先腐蝕後膨脹，這又稱爲開運算，下篇文章將詳細介紹。如下圖所示：
erosion = cv2.erode(src, kernel)
result = cv2.dilate(erosion, kernel)
