形态学操作其实就是改变物体的形状，比如腐蚀就是"变瘦"，膨胀就是"变胖"，看下图就明白了：
形态学操作一般作用于二值化图（也可直接作用于原图），来连接相邻的元素或分离成独立的元素。腐蚀和膨胀是针对图片中的白色部分！
腐蚀
腐蚀的效果是把图片"变瘦"，其原理是在原图的小区域内取局部最小值。因为是二值化图，只有0和255，所以小区域内有一个是0该像素点就为0：
这样原图中边缘地方就会变成0，达到了瘦身目的
OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：
img = cv2.imread('j.bmp', 0) kernel = np.ones((5, 5), np.uint8) erosion = cv2.erode(img, kernel) # 腐蚀
这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。
结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 矩形结构 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 椭圆结构 kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 十字形结构
膨胀
膨胀与腐蚀相反，取的是局部最大值，效果是把图片"变胖"：
dilation = cv2.dilate(img, kernel) # 膨胀
开/闭运算
先腐蚀(瘦)后膨胀(胖)叫开运算（因为先腐蚀会分开物体，这样容易记住），其作用是：分离物体，消除小区域。这类形态学操作用cv2.morphologyEx()函数实现：
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 定义结构元素 img = cv2.imread('j_noise_out.bmp', 0) opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) # 开运算
def open_demo(image): print(image.shape) gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) # kernel = np.ones((5,5),np.uint16) kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5)) dst = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel) cv.imshow("open_demo",dst)
闭运算则相反：先膨胀后腐蚀（先膨胀会使白色的部分扩张，以至于消除/"闭合"物体里面的小黑洞，所以叫闭运算）
img = cv2.imread('j_noise_in.bmp', 0) closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) # 闭运算
def close_demo(image): print(image.shape) gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) cv.imshow("binary", binary) # kernel = np.ones((5,5),np.uint16) kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5)) dst = cv.morphologyEx(binary,cv.MORPH_CLOSE,kernel) cv.imshow("close_demo",dst)
经验之谈：很多人对开闭运算的作用不是很清楚，看上图↑：
如果我们的目标物体外面有很多无关的小区域，就用开运算去除掉；
如果物体内部有很多小黑洞，就用闭运算填充掉。
开操作去掉外部小的干扰，用腐蚀也能做到，二者的区别在于开操作只去掉外部小的干扰而保留了其他部分不变
其他形态学操作
- 形态学梯度：膨胀图减去腐蚀图，
dilation - erosion，这样会得到物体的轮廓： 
img = cv2.imread('school.bmp', 0) gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
- 顶帽(tophat)：原图减去开操作后的图：
src - opening
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
- 黑帽(blackhat)：闭运算图像与原图像差值：
closing - src
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
def tophat_demo(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU) # kernel = np.ones((5,5),np.uint16) kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5)) dst = cv.morphologyEx(gray, cv.MORPH_GRADIENT, kernel) # dst = cv.morphologyEx(binary, cv.MORPH_BLACKHAT, kernel) """给dst图像添加亮度""" # cimage = np.array(gray.shape,np.uint8) # cimage = 120 # dst = cv.add(dst,cimage) cv.imshow("MORPH_GRADIENT_demo", dst)
对Binary二值图进行腐蚀 膨胀等形态学操作
def erode_demo(image): print(image.shape) gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) # kernel = np.ones((5,5),np.uint16) kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5)) dst = cv.erode(binary,kernel=kernel) cv.imshow("erode_demo",dst) def dilate_demo(image): print(image.shape) gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) ret , binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) cv.imshow("binary", binary) # kernel = np.ones((5,5),np.uint16) kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5)) dst = cv.dilate(binary,kernel=kernel) cv.imshow("dilate_demo",dst)
对BGR原图直接进行腐蚀 膨胀等形态学操作
"""BGR图像直接进行腐蚀 膨胀""" src0 = cv.imread('beauty1.jpg') cv.imshow('input_image',src0) kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5)) dilate_dst = cv.dilate(src0,kernel=kernel) cv.imshow("dilate_dst",dilate_dst) erode_dst = cv.erode(src0,kernel=kernel) cv.imshow("erode_dst",erode_dst)
参考：
https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_morphological_ops/py_morphological_ops.html#morphological-ops
https://www.jianshu.com/p/05ef50ac89ac