形态学转换
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，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！
二值化图：图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。
腐蚀
腐蚀的基本思想：侵蚀前景物体的边界（总是试图保持前景为白色）；内核在图像中滑动（如在2D卷积中）.只有当内核下的所有像素都是1时，原始图像中的像素（1或0）才会被认为是1，否则它会被侵蚀（变为零）.
边界附近的所有像素都将被丢弃，具体取决于内核的大小.因此，前景对象的厚度或大小减小，或者图像中的白色区域减小.
它有助于消除小的白噪声，分离两个连接的对象。
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：
腐蚀使用的函数：cv2.ercode()
代码：
import cv2 import numpy as np img = cv2.imread('test.png', 0) kernel = np.ones((5,5), np.uint8) erosion = cv2.erode(img, kernel, iterations=1) cv2.imshow('src',img) cv2.imshow('image', erosion) cv2.waitKey(0) cv2.destroyAllWindows()
结果：
膨胀
它恰好与侵蚀相反。 这里，如果内核下的至少一个像素为“1”，则像素元素为“1”. 因此它增加了图像中的白色区域或前景对象的大小增加.
通常，在去除噪音的情况下，腐蚀之后是膨胀.因为，侵蚀会消除白噪声，但它也会缩小我们的物体，所以我们膨胀它，由于噪音消失了，它们不会再回来，则我们的物体区域会增加。 它也可用于连接对象的破碎部分.
代码：
import cv2 import numpy as np img = cv2.imread('test.png', 0) kernel = np.ones((5,5), np.uint8) dilation = cv2.dilate(img, kernel, iterations=1) cv2.imshow('src', img) cv2.imshow('image', dilation) cv2.waitKey(0) cv2.destroyAllWindows()
效果：
开运算
先进性腐蚀再进行膨胀就叫做开运算。就像我们上面介绍的那样，它被用来去除噪声。这里我们用到的函数是cv2.morphologyEx()。
代码：
import cv2 import numpy as np """先进行腐蚀在进行膨胀,使用的函数：cv2.morphologyEx(),有助于消除噪音""" img = cv2.imread('test.png', 0) kernel = np.ones((5,5), np.uint8) opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) cv2.imshow('src',img) cv2.imshow('image', opening) cv2.waitKey(0) cv2.destroyAllWindows()
效果：
原图：
闭运算
先膨胀再腐蚀。它经常被用来填充前景物体中的小洞，或者前景物体上的小黑点。
代码：
#先膨胀后腐蚀，用于消除前景对象内的小孔或对象上的小黑点 import cv2 import numpy as np img = cv2.imread('test3.png', 0) kernel = np.ones((5,5), np.uint8) closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) cv2.imshow('src', img) cv2.imshow('show', closing) cv2.waitKey(0)
结果：
原图：
形态学梯图
其实就是一幅图像膨胀与腐蚀的差别。结果看上去就像前景物体的轮廓。
代码：
#图像的膨胀和腐蚀之间的差异，结果看起来像目标的轮廓 import cv2 import numpy as np img = cv2.imread('test.png', 0) kernel = np.ones((5,5), np.uint8) gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel) cv2.imshow('src', img) cv2.imshow('show', gradient) cv2.waitKey(0)
效果：
TOP-Hat
原图像与开运算图的区别，突出原图像中比周围亮的区域
代码：
#原图像与开运算图像的区别，突出原图像中比周围亮的区域 import cv2 import numpy as np img = cv2.imread('test.png',0) kernel = np.ones((5,5), np.uint8) tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) cv2.imshow('src', img) cv2.imshow('show', tophat) cv2.waitKey(0)
结果：
Black Hat
进行闭运算之后得到的图像与原始图像的差。闭运算图 - 原图像,突出原图像中比周围暗的区域
代码：
#闭运算图 - 原图像,突出原图像中比周围暗的区域 import cv2 import numpy as np img = cv2.imread('test.png', 0) kernel = np.ones((5,5), np.uint8) balckhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel) cv2.imshow('src', img) cv2.imshow('show', balckhat) cv2.waitKey(0)
效果：
