形态学操作

形态学操作是数字图像处理中的一种方法，用于改变和提取图像中的结构和形状信息。它基于图像的形状和大小特征，通过对图像进行特定的数学运算和变换来实现对图像的分割、腐蚀、膨胀、细化等操作。

腐蚀

腐蚀操作是通过将图像中所有的像素点与结构元素进行逻辑“与”运算，来减小图像中边缘和细节的尺寸。具体而言，对于图像中的每个像素点，如果其邻域内的像素点都是前景（白色），则该像素点保持不变；如果邻域内有任何一个像素点是背景（黑色），则该像素点变为背景。腐蚀操作可以实现图像的缩小、断开连通区域以及去除细小的噪点等效果。
image = cv2.erode(src, kernel, iterations)
参数：
src：原始图像。
kernel：腐蚀使用的核。 相当于一个小区域，在图像上移动，进行腐蚀。
iterations：可选参数，腐蚀操作的迭代次数，默认值为1。

膨胀

膨胀操作是通过将图像中所有的像素点与结构元素进行逻辑“或”运算，来增加图像中边缘和细节的尺寸。具体而言，对于图像中的每个像素点，如果其邻域内的任何一个像素点是前景（白色），则该像素点保持不变；如果邻域内所有像素点都是背景（黑色），则该像素点变为前景。膨胀操作可以实现图像的放大、闭合连通区域以及填充细小的空洞等效果。
image = cv2.dilate(src, kernel, iterations)
参数：
src：原始图像。
kernel：膨胀使用的核。
iterations：可选参数，腐蚀操作的迭代次数，默认值为1。

开运算

开运算是先进行腐蚀操作，再进行膨胀操作的组合操作。开运算可以用于去除图像中的噪点和细小的干扰物，同时保持图像的整体形状和轮廓特征。

闭运算

闭运算是先进行膨胀操作，再进行腐蚀操作的组合操作。闭运算可以用于填充图像中的空洞和连接细小的断开区域，同时保持图像的整体形状和轮廓特征。

梯度运算

梯度运算（Gradient Operation）是图像处理中的一种常用操作，用于检测图像中的边缘。梯度是指图像中像素值变化的快慢程度。在梯度运算中，通常使用Sobel、Prewitt或Laplacian等算子来计算图像中每个像素点的梯度值。

顶帽

顶帽（Top Hat）操作是一种形态学操作，用于突出图像中比周围背景亮的小区域。顶帽操作基于原始图像和经过开操作（Opening Operation）后得到的图像，通过求差运算来突出亮的小区域。

黑帽

黑帽（Black Hat）操作是一种形态学操作，用于突出图像中比周围背景暗的小区域。黑帽操作基于原始图像和经过闭操作（Closing Operation）后得到的图像，通过求差运算来突出暗的小区域。
开运算、闭运算、梯度运算、礼帽和黑帽形态学操作均使用morphologyEx()函数：
image = cv2.morphologyEx(src, op, kernel)
参数：
src：输入图像，通常为二值图像。
op：形态学操作的类型，可以是以下之一：
cv2.MORPH_ERODE：腐蚀。
cv2.MORPH_DILATE：膨胀。
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）。
cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）。
cv2.MORPH_GRADIENT：形态学梯度（膨胀图像与腐蚀图像之差）。
cv2.MORPH_TOPHAT：顶帽（原始图像与开运算结果之差）。
cv2.MORPH_BLACKHAT：黑帽（闭运算结果与原始图像之差）。
kernel：结构元素或核，它决定了形态学操作的性质。通常，这是一个小的矩形、椭圆形或十字形矩阵。

形态学操作代码实现以及效果图

腐蚀操作代码如下：

import cv2                       #导入OpenCV模块    
import matplotlib.pyplot as plt # 导入matplotlib库    
import numpy as np  image = cv2.imread("img/core.jpg") # 导入图片   kernel = np.ones((3, 3), np.uint8) # 指定核的大小为 3*3的值为1的矩阵  
ession_1 = cv2.erode(image, kernel, iterations = 1) # 腐蚀一次  
ession_2 = cv2.erode(image, kernel, iterations = 2) # 腐蚀两次  
ession_3 = cv2.erode(image, kernel, iterations = 3) # 腐蚀三次  titles = ["original", "iterations1", "iterations2", "iterations3"]  
images = [image, ession_1, ession_2, ession_3]  for i in range(4):  plt.subplot(2, 2, i + 1), plt.imshow(images[i], "gray")  plt.title(titles[i])  
plt.show()  

代码实现效果如下：

膨胀操作代码如下：

import cv2                       #导入OpenCV模块    
import matplotlib.pyplot as plt # 导入matplotlib库    
import numpy as np  image = cv2.imread("img/core.jpg") # 导入图片   kernel = np.ones((3, 3), np.uint8) # 指定核的大小为 3*3的值为1的矩阵  
dilate_1 = cv2.dilate(image, kernel, iterations = 1) # 膨胀一次  
dilate_2 = cv2.dilate(image, kernel, iterations = 2) # 膨胀两次  
dilate_3 = cv2.dilate(image, kernel, iterations = 3) # 膨胀三次  titles = ["original", "iterations1", "iterations2", "iterations3"]  
images = [image, dilate_1, dilate_2, dilate_3]  for i in range(4):  plt.subplot(2, 2, i + 1), plt.imshow(images[i], "gray")  plt.title(titles[i])  
plt.show()

代码实现效果如下：

开运算，闭运算，梯度运算，顶帽，黑帽操作代码如下：

import cv2                       #导入OpenCV模块    
import matplotlib.pyplot as plt # 导入matplotlib库    
import numpy as np  image = cv2.imread("img/core.jpg") # 导入图片    kernel = np.ones((5, 5), np.uint8) # 指定核的大小为 5*5的值为1的矩阵  
img_open = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)  # 开运算  
img_close = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)  # 闭运算  
img_gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)  # 梯度运算  
img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT, kernel)  # 顶帽  
img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)  # 黑帽  titles = ["original", "OPEN", "CLOSE", "GRADIENT", "TOPHAT", "BLACKHAT"]  
images = [image, img_open, img_close, img_gradient, img_tophat, img_blackhat]  for i in range(6):  plt.subplot(2, 3, i + 1), plt.imshow(images[i], "gray")  plt.title(titles[i])  
plt.show() 

代码实现效果如下：