形态学操作
形态学操作本身是图像处理要研究的内容，而计算机视觉要实现相关功能，也要实现图像的处理。在图像处理技术中，有一些的操作会对图像的形态发生改变，这些操作一般称之为形态学操作。
讲的再专业一些：
图像形态学操作是基于形状的一系列图像处理操作的合集，主要是基于集合论基础上的形态学数学。
形态学操作的分类
两个基本操作：
- （1）膨胀：跟卷积操作类似，假设有图像A和结构元素B，结构元素B在A上面移动，其中B定义其中心为锚点，计算B覆盖下A的最大像素值用来替换锚点的像素，其中B作为结构体可以是任意形状。
- （2）腐蚀：腐蚀跟膨胀操作的过程类似，唯一不同的是以最小值替换锚点重叠下图像的像素值。
基于基本操作的操作：
（1）开操作：先腐蚀后膨胀，可以去掉小的对象。
（2）闭操作：先膨胀后腐蚀，可以填充小对象。
（3）形态学梯度：膨胀减去腐蚀。
（4）顶帽：顶帽是原图像与开操作图像之间的差值图像。
（5）黑帽：黑帽是闭操作图像与原图像之间的差值图像。
kernel生成API
在形态学中，因为要涉及到区域像素操作，我们就要设计一个核，在核范围内对像素进行操作。所以我们需要创建一个核，在这里，我们用到一个新的API：
getStructuringElement()
Mat getStructuringElement(
int shape,
Size ksize,
Point anchor = Point(-1,-1)
);
（1）int类型的shape，元素形状，可以是cv::MorphShapes之一。
（2）Size类型的ksize，结构化元素的大小。
（3）Point类型的anchor，默认值（-1，-1）,表示锚定位于中心。请注意，只有十字形元素的形状取决于锚定位置。在其他情况下，锚只是调节形态学操作结果的移动量。
主要讲一下第一个参数，主要有以下几种选择
（1）MORPH_RECT：矩形结构区域。
（2）MORPH_CROSS，十字形结构区域。
（3）MORPH_ELLIPSE，椭圆结构区域，内接于矩形Rect（0，0，esize.width，0.esize.height）的填充椭圆。
膨胀
原理
膨胀就是计算B覆盖下A的最大像素值用来替换锚点的像素。
我们要使用像素最大值，来替换锚点的像素，也就是用区域内的像素最大的值代替区域内锚点的值，所谓锚点，就是区域的中心点。
我们考虑最简单的区域，一个3×3的正方形区域，锚点就是正方形区域的中心点，假设我们有下图中这个一维像素数组，
对于图中黄色区域，由于其中的最大值为255，所以其锚点处（红色数字）由9变为255。
当所有的都执行完该操作之后，生成的图像如下：
注意：图像的膨胀是基于原图的
如果膨胀一个点，替换值之后再做下一个点，那么整张图都是255
即
这个点是基于原图的9来进行膨胀的，而不是膨胀过后左上角255来膨胀
所以锚点位置是9而不是255
再如《数字图像处理（冈萨雷斯）》中
用算子的锚点沿着图像的边界画一圈，算子扫过的地方就是图像膨胀的地方
看回我们这张图
算子扫过图像边界，膨胀后就是右图
膨胀是将周围像素值小的一圈替换为大的一圈，即白色变多黑色变少
API
void dilate(
InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor = Point(-1,-1),
int iterations = 1,
int borderType = BORDER_CONSTANT,
const Scalar& borderValue = morphologyDefaultBorderValue()
);
（1）InputArray类型的src，输入图像。通道数可以任意，但深度应为CV_8U、CV_16U、CV_16S、CV_32F或CV_64F之一。。
（2）OutputArray类型的dst，即目标图像，与输入图像有相同的尺寸和类型。
（3）InputArray类型的kernel，用于膨胀的结构元素；如果elemenat=Mat（），则使用3 x
3矩形结构元素。可以使用getStructuringElement创建内核。（4）Point类型的anchor：锚定在元素中的位置；默认值（-1，-1）表示锚定在元素中心。。
（5）int类型的iterations：应用膨胀的次数。。
（6）int类型的borderType：像素外推方法，参见cv：：BorderTypes。
（7）Scalar类型的borderValue：恒定边框时的边框值。
一般来说，我们只需要设置前三个参数，后面的参数默认即可。
代码
#include<opencv2\opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
int main()
{
Mat src, dst;
src = imread("ur own path of pic ");
if (!src.data)
{
cout << "could not load image !";
return -1;
}
imshow("src", src);
Mat kernel = getStructuringElement(MORPH_RECT, Size(7, 7), Point(-1, -1));
//算子的大小可以根据需要进行调整
dilate(src, dst, kernel);
imshow("dilate-src", dst);
waitKey(0);
return 0;
}
效果
可以看到细线明显变粗
腐蚀
原理
腐蚀就是计算B覆盖下A的最小像素值用来替换锚点的像素。
我们要使用像素最小值，来替换锚点的像素，也就是用区域内的像素最小的值代替区域内锚点的值，所谓锚点，就是区域的中心点。
我们考虑最简单的区域，一个3×3的正方形区域，锚点就是正方形区域的中心点，假设我们有下图中这个一维像素数组，
对于图中黄色区域，由于其中的最大值为1，所以其锚点处（红色数字）由9变为1。
生成图像如下
注意：图像的腐蚀是基于原图的
如果腐蚀一个点，替换值之后再做下一个点，那么整张图都是1
再如《数字图像处理（冈萨雷斯）》中
算子的锚点沿着图像扫一圈，剩下的区域就是腐蚀过后的图像
再回到我们这张图
腐蚀是将周围像素值大的一圈替换为小的一圈，即白色变少黑色变多
API
void erode(
InputArray src,
OutputArray dst,
InputArray kernel,
Point anchor = Point(-1,-1),
int iterations = 1,
int borderType = BORDER_CONSTANT,
const Scalar& borderValue = morphologyDefaultBorderValue()
);
（1）InputArray类型的src，输入图像。该函数对通道是独立处理的，且可以处理任意通道数的图片，但需要注意，待处理的图片深度应该为CV_8U,
CV_16U, CV_16S, CV_32F 以及 CV_64F之一。（2）OutputArray类型的dst，即目标图像，与输入图像有相同的尺寸和类型。
（3）int类型的d，滤波过程中使用的每个像素邻域的直径。如果是非正的，则从sigmaSpace计算。
（4）double类型的sigmaColor
，颜色空间中过滤器sigma。参数值越大，意味着像素邻域（参见sigmaSpace）中的更多颜色将混合在一起，从而产生更大的半等色区域。（5）double类型的sigmaSpace，在坐标空间中过滤器sigma。参数值越大，意味着更远的像素将相互影响，只要它们的颜色足够接近（参见sigmaColor）。当d大于0时，它指定邻域大小，而不考虑sigmaSpace。否则，d与sigmaSpace成比例。
（6）int类型的borderType，用于在图像外部外推像素的边框模式，具体请参见cv::BorderTypes。
代码
#include<opencv2\opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
int main()
{
Mat src, dst;
src = imread("path");
if (!src.data)
{
cout << "could not load image !";
return -1;
}
imshow("src", src);
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
erode(src, dst, kernel);
imshow("erode-src", dst);
waitKey(0);
return 0;
}
效果
很明显的看到，细的线被腐蚀了