1. 腐蚀
什么是腐蚀操作：
在OpenCV中，腐蚀操作是一种形态学处理技术，用于图像的前景区域（通常是白色区域）进行缩小处理。它的基本思想是通过结构元素（也称为内核）来"侵蚀"图像中的前景对象，使得前景区域变小，从而去除小的噪声或细节，或者填补图像中的小孔洞。
腐蚀操作的基本概念
腐蚀（Erosion）操作涉及到将结构元素（通常是一个小的矩形、圆形或其他形状的矩阵）应用到图像上。对于图像中的每一个像素位置，结构元素会滑动到该位置上，并与图像的对应部分进行比较。
- 如果结构元素完全位于前景区域内，则结构元素的中心位置保留原像素值。
- 否则，结构元素的中心位置会被设置为背景值（通常是0）。
腐蚀操作的步骤
选择结构元素： 结构元素是一个小的矩阵，定义了腐蚀操作的形状和大小。常用的形状有矩形、椭圆和十字形。
滑动结构元素： 将结构元素在图像上滑动，逐个像素地应用腐蚀操作。
更新图像： 根据结构元素与图像的重叠部分的匹配情况，更新图像的像素值。
腐蚀操作的语法结构
OpenCV将腐蚀操作封装成了erode()方法，其语法结构如下：
dst = cv2.erode(src, kernel, anchor, iterations, borderType, borderValue)
参数说明：
src;原始图像
kernel:腐蚀使用的核
anchor:可选参数，核的锚点位置
iterations:可选参数，腐蚀操作的迭代次数
borerType:可选参数，边界样式
borderValue:可选参数，边界值
返回值说明：
dst:经过腐蚀之后的图像
操作用图片：
腐蚀操作运行代码：
python
import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(7).jpg")
k = np.ones((3, 3), np.uint8) # 创建3*3的数组作为核
cv2.imshow("img", img) # 原图
dst = cv2.erode(img, k) # 腐蚀操作
cv2.imshow("dst", dst) # 腐蚀效果
cv2.waitKey()
cv2.destroyAllWindows() 操作结果图像：
2. 膨胀
什么是膨胀操作：
膨胀操作是OpenCV中的一种形态学处理技术，用于扩展图像中的前景区域（通常是白色区域）。它的基本思想是通过结构元素"扩张"图像中的前景对象，使得前景区域变大，从而填补小的空隙或连接断裂的部分。膨胀操作的步骤类似于腐蚀，但相反：
选择结构元素：选择一个结构元素来定义膨胀操作的形状和大小。
滑动结构元素：将结构元素在图像上滑动，每个像素位置的值会根据结构元素与图像的重叠部分进行更新。
更新图像：如果结构元素与图像的重叠部分有前景像素，则结构元素中心位置被设置为前景值（通常是255）。
膨胀操作的语法结构：
dst = cv2.dilate(src, kernel, anchor, iterations, borderType, borderValue)
参数说明：
src:原始图像
kernel:膨胀使用的核
anchor:可选参数， 核的锚点位置
iterations:可选参数，腐蚀操作的迭代次数，默认值为1
borderType:可选参数， 边界样式
borderValue:可选参数， 边界值
操作用图片
膨胀操作的示例代码 ：
python
import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(7).jpg")
k = np.ones((9, 9), np.uint8) # 创建9*9的数组作为核
cv2.imshow("img", img)
dst = cv2.dilate(img, k) # 膨胀操作
cv2.imshow("dst", dst) # 显示膨胀效果
cv2.waitKey()
cv2.destroyAllWindows() 操作结果图像：
3. 开运算
什么是开运算：
开运算是一种形态学处理技术，结合了腐蚀和膨胀操作，用于去除图像中的小物体或噪声，同时保持较大物体的形状和大小。开运算的基本步骤如下：
- 腐蚀：首先对图像进行腐蚀操作，去除图像中的小的噪声或细节。
- 膨胀：然后对腐蚀后的图像进行膨胀操作，恢复较大物体的形状和边界。
操作用图片
开运算操作代码实例：
python
import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(7).jpg")
k = np.ones((5, 5), np.uint8) # 创建5*5的数组作为核
cv2.imshow("img", img)
dst = cv2.erode(img, k) # 腐蚀操作
dst = cv2.dilate(dst, k) # 膨胀操作
cv2.imshow("dst", dst) # 显示开运算结果
cv2.waitKey()
cv2.destroyAllWindows() 开运算操作效果图像：
4. 闭运算
什么是闭运算?
开运算是一种形态学处理技术，结合了腐蚀和膨胀操作，用于去除图像中的小物体或噪声，同时保持较大物体的形状和大小。开运算的基本步骤如下：
- 腐蚀：首先对图像进行腐蚀操作，去除图像中的小的噪声或细节。
- 膨胀：然后对腐蚀后的图像进行膨胀操作，恢复较大物体的形状和边界。
闭运算操作代码实例：
python
import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(7).jpg")
k = np.ones((15, 15), np.uint8) # 创建15*15的数组作为核
cv2.imshow("img", img)
dst = cv2.dilate(img, k) # 膨胀操作
dst = cv2.erode(dst, k) # 腐蚀操作
cv2.imshow("dst2", dst) # 闭运算结果
cv2.waitKey()
cv2.destroyAllWindows() 闭运算操作效果图像：
5. 形态学方法
cv2.MORPH_ERODE:腐蚀操作
cv2.MORPH_DILATE:膨胀操作
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:梯度运算，膨胀图减腐蚀图可以得出建议的轮廓
cv2.MORPH_TOPHAT:顶帽运算，原始图像减开运算图像
cv2.MORPH_BLACKHAT:黑帽运算，闭运算图像减原始图像
5.1 梯度运算
什么是梯度运算？
梯度简单理解为像素的变化程度。梯度运算的运算过程就是让原图的膨胀图像减去原图的腐蚀图像
python
import cv2
import numpy as np
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(7).jpg")
k = np.ones((5,5), np.uint8) # 创建5*5的数组作为核
cv2.imshow("img", img) # 显示原图
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k) # 进行梯度运算
cv2.imshow("dst", dst) # 显示梯度运算结果
cv2.waitKey()
cv2.destroyAllWindows() 操作效果图像：
5.2 顶帽运算
什么是顶帽运算？
原图减去图像的开运算图像，得到的结果只剩下外部细节
操作用图像：
操作代码示例：
python
import cv2
import numpy as np
img = cv2.imread(r"B:\Python_opencv_book\08\06\spider.png") # 读取原图
k = np.ones((5, 5), np.uint8) # 创建5*5的数组作为核
cv2.imshow("img", img) # 显示原图
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k) # 进行顶帽运算
cv2.imshow("dst", dst) # 显示顶帽运算结果
cv2.waitKey()
cv2.destroyAllWindows() 操作结果图像：
5.3 黑帽运算
什么是黑帽运算？
原图的闭运算图像减去原图。剩下内部细节
操作用图像：
操作代码示例：
python
import cv2
import numpy as np
img = cv2.imread(r"B:\Python_opencv_book\08\07\spider2.png") # 读取原图
k = np.ones((5, 5), np.uint8) # 创建5*5的数组作为核
cv2.imshow("img", img) # 显示原图
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k) # 进行黑帽运算
cv2.imshow("dst", dst) # 显示黑帽运算结果
cv2.waitKey()
cv2.destroyAllWindows()操作效果图像：
那么有关关于腐蚀与膨胀的内容到这里就结束了！！！感谢大家的观看！！！