形态学梯度（Morphological Gradient）是图像形态学处理中的一种操作，它通过对图像的膨胀和腐蚀操作之间的差异来突出图像中的边缘信息。这种操作有助于增强图像中物体的边界，使它们更加突出。
在数学上，形态学梯度的计算可以通过以下方式进行：
设定一个结构元素（通常是一个小的矩形或圆形核），然后对图像进行膨胀和腐蚀操作。形态学梯度被定义为图像的膨胀操作减去腐蚀操作的结果。
形态学梯度的作用是突出图像中物体的边缘或轮廓。当我们对图像中的对象进行分割、边缘检测或特征提取时，形态学梯度可以很有用。它可以帮助定位物体的边界，提取轮廓信息，或者用于图像预处理的步骤之一。
下面是形态学梯度的公式：
形态学梯度： Gradient = Dilation ( f ) − Erosion ( f ) \text{Gradient} = \text{Dilation}(f) - \text{Erosion}(f) Gradient=Dilation(f)−Erosion(f)
其中， Dilation ( f ) \text{Dilation}(f) Dilation(f) 表示对图像 f f f 进行膨胀操作， Erosion ( f ) \text{Erosion}(f) Erosion(f)表示对图像 f f f进行腐蚀操作。
在OpenCV中，可以使用以下代码来实现图像的形态学梯度操作：
python
import cv2
import numpy as np
def show_images(image):
cv2.namedWindow('image',cv2.WINDOW_KEEPRATIO)
cv2.imshow('image',image)
cv2.waitKey()
cv2.destroyAllWindows()
def Morphological_Gradient(image):
# 定义结构元素（这里使用3x3的矩形核）
kernel = np.ones((3, 3), np.uint8)
# 对图像进行膨胀和腐蚀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)
eroded_image = cv2.erode(image, kernel, iterations=1)
# 计算形态学梯度
gradient = cv2.subtract(dilated_image, eroded_image)
return gradient
if __name__ == '__main__':
# 读取图像
img = cv2.imread('cat-dog.png', flags=0)
re_img=Morphological_Gradient(img)
# top_row = np.hstack((img, re_img[0]))
# bottom_row = np.hstack((re_img[1], re_img[2])) #水平
# combined_img = np.vstack((img, re_img))# 垂直
combined_img=np.hstack((img,re_img))
show_images(combined_img)