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)