图像处理23： 形态学转换

形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。需要输入两个参数，一个是原始图像，第二个被称为结构化元素或核，它是用来决定操作的性质的。两个基本的形态学操作是腐蚀和膨胀。他们的变体构成了开运算，闭运算，梯度等。

1、腐蚀 

就像土壤侵蚀一样，这个操作会把前景物体的边界腐蚀掉（但是前景仍然是白色）。这是怎么做到的呢？卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是 1，那么中心元素就保持原来的像素值，否则就变为零。 这回产生什么影响呢？根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为 0），所以前景物体会变小，整幅图像的白色区域会减少。这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。

2、膨胀 

与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元素的像素值就是 1。所以这个操作会增加图像中的白色区域（前景）。一般在去噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时，也会使前景对象变小。所以我们再对他进行膨胀。这时噪声已经被去除了，不会再回来了，但是前景还在并会增加。膨胀也可以用来连接两个分开的物体。

3、开运算 

先进性腐蚀再进行膨胀就叫做开运算。它被用来去除噪声。

4、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。

5、形态学梯度 

其实就是一幅图像膨胀与腐蚀的差。 结果看上去就像前景物体的轮廓。

6、礼帽 

原始图像与进行开运算之后得到的图像的差。

7、黑帽 

进行闭运算之后得到的图像与原始图像的差。

8、结构化元素 

在前面的例子中我们使用 Numpy 构建了结构化元素，它是正方形的。但有时我们需要构建一个椭圆形/圆形的核。为了实现这种要求，提供了OpenCV 函数cv2.getStructuringElement()。只需要告诉需要的核的形状和大小。

代码：

#coding:utf-8import cv2import numpy as npfrom  matplotlib import pyplot as pltimg = cv2.imread('F:/j.png',0)jo = cv2.imread('F:/jo.png',0)#opening操作之前的素材jc = cv2.imread('F:/jc.png',0)#closing操作之前的素材kernel = np.ones((5,5),np.uint8)ersion = cv2.erode(img, kernel, iterations = 1)#腐蚀dilation = cv2.dilate(img, kernel, iterations = 1)#膨胀opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)#开运算closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)#闭运算gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)#形态学梯度tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)#礼帽blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)#黑帽images = [img, jo, jc, ersion, dilation,          opening, closing, gradient, tophat, blackhat]titles = ['Original','JO','JC','Ersion','Dilation',         'Opening','Closing','Gradient','Tophat','Blackhat']for i in xrange(10):    plt.subplot(2,5,i+1), plt.imshow(images[i],"gray"), plt.title(titles[i])    plt.xticks([]), plt.yticks([])plt.show()

结果图：