在之前文章3中介绍统计滤波的时候，简单的介绍过中值滤波、最大值滤波、最小值滤波。发现这一块内容比较单一，还可以补充相关的应用知识，方便认知了解。
首先介绍图像形态操作，其实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数学运算。形态学主要有四个基本操作：腐蚀、膨胀、开、闭
图像膨胀与腐蚀
图像膨胀的定义：假设有M*N的图像A 和 K*K的结构元素B，结构元素B在A上顺序移动，其中B定义其中心为锚点，计算B覆盖下的A最大像素值，替换锚点像素。其中B作为结构体是可以任意大小。 （白色像素替换黑色像素）
图像腐蚀的定义：假设有M*N的图像A 和 K*K的结构元素B，结构元素B在A上顺序移动，其中B定义其中心为锚点，计算B覆盖下的A最小像素值，替换锚点像素。其中B作为结构体是可以任意大小。 （黑色像素替换白色像素）
有了之前空间滤波的知识，腐蚀就是最小值滤波在图像的应用，膨胀就是最大值滤波在图像上的应用。那么具体有什么作用呢？往下继续。
左边是一张二值化的输入图像，经过腐蚀（最小值滤波）操作可以把小范围的干扰点去除，如果输入原图是反二值化的图像，那么需要经过膨胀（最大值滤波）才能把小范围干扰点去除。这就明显的说明白，膨胀和腐蚀的基本作用都是把输入图像中的小范围干扰給覆盖掉，以达到排除干扰的作用。
图像开操作与闭操作、形态学梯度。
说完膨胀和腐蚀，接着讨论形态学的开操作和闭操作。最后是形态学基本梯度
首先说说什么是开操作：先腐蚀后膨胀
其作用是：可以去掉小的干扰对象，假设对象是前景色，背景是黑色
而闭操作是：先膨胀后腐蚀
其作用是：在主体对象中填充小的噪声点，假设对象是前景色，背景是黑色。（注意示意图最大白色矩阵内的黑色点）
形态学梯度（Morphological Gradient）
基本梯度的定义是：膨胀减去腐蚀。
内部梯度的定义是：原图减去腐蚀。
方向梯度的定义是：x方向单独算出基本梯度，y方向单独算出基本梯度（类似Sobel算子的区分xy方向）然后相加。
梯度类似我们的现实生活的楼梯一个一个台阶的往上升/降，在图像里面也是类似，但是每级台阶的跨度是不一样的。梯度相关的暂时不多说，往后在说应用例子的时候再来仔细展开。
其实这一块是文章3的相关补充，主要是把统计滤波的应用例子补充上，有基础的同学很容易掌握，注意的是这些应用前 需要图像经过二值化处理。