礼帽运算
黑帽运算
参数
cv.morphologyEx(img,op,kernel)
参数：
- img : 要处理的图像
- op: 处理方式
代码实现
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from pylab import mplmpl.rcParams['font.sans-serif'] = ['SimHei']#读取图像img1 = cv.imread("lena.png")#创建核结构
kernel = np.ones((10,10),np.uint8)#图像礼帽核黑帽运算
cvopen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) #礼帽运算cvclose = cv.morphologyEx(img1,cv.MORPH_BLACKHAT,kernel) #黑帽运算#图像显示
fig,axes = plt.subplots(nrows=2,ncols=2,figsize=(6,6),dpi=100)'''在代码axes[0, 0]和axes[0, 1]中，[0, 0]和[0, 1]表示子图的位置。axes[0, 0]表示第一行第一列的子图，axes[0, 1]表示第一行第二列的子图。子图的位置索引是从左上角开始计数，第一行为0，第一列也为0。因此，[0, 0]代表左上角的子图，[0, 1]代表右上角的子图。在代码中，通过imshow()方法显示图像，再通过set_title()方法设置子图的标题，以便更好地标识每个子图所代表的内容。
'''axes[0,0].imshow(img1[:,:,::-1])
axes[0,0].set_title("原图")axes[0,1].imshow(cvopen[:,:,::-1])
axes[0,1].set_title("顶帽")axes[1,0].imshow(cvclose[:,:,::-1])
axes[1,0].set_title("礼帽")plt.show()
运行结果展示
总结：
顶帽和礼帽是形态学图像处理中的两种操作，它们都是基于图像的开运算和闭运算来实现的。
顶帽（Top Hat）操作：
顶帽操作可以通过先对原图像进行腐蚀操作，再用原图像减去腐蚀后的结果得到。顶帽操作可以提取出比原图像亮且尺寸较小的细节或者噪声。
顶帽操作的效果是突出原图像中边缘、细节和亮点。它通常用于增强图像中的细微结构或者检测图像中的小尺度目标。礼帽（Black Hat）操作：
礼帽操作是先对原图像进行膨胀操作，再用膨胀后的结果减去原图像得到。礼帽操作可以提取出比原图像暗且尺寸较小的细节或者噪声。礼帽操作的效果是突出原图像中的边缘、细节和暗点。它通常用于增强图像中的细微结构或者检测图像中的小尺度目标。
综上所述，顶帽操作用于突出图像中的亮细节，而礼帽操作用于突出图像中的暗细节。这两种操作都可以帮助我们提取和强调图像中细小而重要的特征。
