形态学腐蚀操作
腐蚀操作通常处理只有二值的图像（比如黑白），这里的例子就是一个值为255（白色），一个是1（黑色）。
先导入必要的库：
import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
导入图像：
img = cv2.imread('dige.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
来看一下事例图：
可以看到，这两个字有很多“毛刺”，如何去掉呢，就是用腐蚀操作（腐蚀操作可以理解为减肥）。下面我们看看腐蚀操作的代码和执行腐蚀操作后图像的样子。
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)#第一个参数是导入的图片，第二个参数是filter过滤器，第三个参数是迭代次数，即执行几次腐蚀操作
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
可以发现毛刺被去掉了，并且字的笔画变细了。下面我们解释一下原理。
我们先倒入一张圆：
pie = cv2.imread('pie.png')
cv2.imshow('pie', pie)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
腐蚀原理是这样的，我们先选择一个filter，这里我们选择全为1(其实这个过滤器的值并不需要特别考虑，暂时认为是1即可)的33矩阵，然后当我们检测到边缘点的时候，比如下图中的蓝色点，在这个33的过滤器中，含有黑色区域，那么这个点就会被腐蚀掉，变成黑色。
当如果这几个小方格都是白色，则这个点就不会变，比如下面的绿色点。
然后腐完就可以得到下面这张图(红色区域代表被腐蚀了的面积)：
我们引入代码，看看多迭代几次的效果：
kernel = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
随着迭代的增加，可见白色区域越来越小。
腐蚀程度还跟过滤器的大小有关，如果过滤器越大，那么腐蚀的可能性就越大，过滤器越小，腐蚀的可能性就越小，对照腐蚀原理，读者应该可以快速想出原因。
形态学膨胀操作
膨胀操作就相当于腐蚀操作的逆操作（增肥）。
导入图像：
img = cv2.imread('dige.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
此图像还是上面拿着图：
我们先做腐蚀操作，去掉“毛边”：
kernel = np.ones((3,3),np.uint8)
dige_erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
就像前面所说的，腐蚀操作不仅去掉了“毛刺”，还使笔画变细了，我们可以使用膨胀操作，把它变回来：
kernel = np.ones((3,3),np.uint8)
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
他的膨胀原理也是一样，比如这个黄色的点，当这些小格子中有白色的点，那么我就变成白色。
我们看一下多迭代几次的效果：
pie = cv2.imread('pie.png')
kernel = np.ones((30,30),np.uint8)
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
dilate_3 = cv2.dilate(pie,kernel,iterations = 3)
res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
开运算
开运算相当于把腐蚀和膨胀联系在一起，先腐蚀，再膨胀。
# 开：先腐蚀，再膨胀
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)#cv2.MORPH_OPEN为开运算
cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
闭运算
闭运算为开操作的逆运算，先膨胀，再腐蚀。
# 闭：先膨胀，再腐蚀
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
闭运算操作不会把“毛刺”去掉。
梯度运算
梯度运算就是膨胀-腐蚀得到的边界面积信息，我们直接来看例子。
先对图像进行膨胀和腐蚀操作：
# 梯度=膨胀-腐蚀
pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)
res = np.hstack((dilate,erosion))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
然后进行梯度操作：
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
#cv2.MORPH_GRADIENT为梯度运算
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
礼帽
礼帽 = 原始输入-开运算结果。
按照上面的例子，开运算后不带“毛刺”了，礼帽运算后，就只剩下“毛刺”了。
#礼帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)#cv2.MORPH_TOPHAT礼帽
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
黑帽
黑帽 = 闭运算-原始输入。
按上面的例子，闭运算后边界可能比原图膨胀一点点，那么减去原始图像，可能就只剩下一点点边界。
#黑帽
img = cv2.imread('dige.png')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)#cv2.MORPH_BLACKHAT黑帽
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()
运行结果：
