⚠️这个系列是自己瞎翻的，文法很丑，主要靠意会，跳着跳着捡重要的部分翻，翻错了不负责，就这样哈。
⚠️基于3.4.3，Morphological Transformations，附原文。
目标
在这一章节，
- 我们会学到不同的形态操作比如侵蚀，膨胀，开放，闭合等等。
- 我们会遇到不同的方法，好像：cv.erode()，cv.dilate()，cv.morphologyEx()等等。
理论
形态变换是基于图像形状的一些简单操作。 它通常在二进制图像上执行。 它需要两个输入，一个是我们的原始图像，第二个是称为结构元素或内核，它决定了操作的性质。 两个基本的形态学运算符是侵蚀和膨胀。 然后它的变体形式如开放，闭合，梯度等等也发挥作用。 我们将在以下图片的帮助下逐一看到它们：
1、侵蚀
侵蚀的基本思想就像土壤侵蚀一样，它会侵蚀前景物体的边界（总是试图保持前景为白色）。它具体做了什么？ 内核在图像中滑动（如在上节提到的2D卷积中那样）。只有当内核下的所有像素都是1时，原始图像中的像素（1或0）才会被认为是1，否则它会被侵蚀（变为零）。
所以那到底发生了啥，边界附近的取决于内核大小的所有像素都将被丢弃。 因此，前景对象的厚度或大小减小，或者图像中的白色区域减小。 它有助于消除小的白噪声（正如我们在色彩空间章节中看到的那样），分离两个连接的对象等。
这里，作为一个例子，我用一个完整的 5x5 内核。让我们看看它是如何工作的：
import cv2 as cv
import numpy as np
img = cv.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv.erode(img,kernel,iterations = 1)结果：
2、 膨胀
它刚好于侵蚀相反。这里，如果内核下至少有一个像素元素是 '1' ，那我们就认为这个像素点为 '1' 。因此它令到图像上的白色区域或者前景的大小增加了。通常，在如去除噪声这样的情景下，侵蚀之后要用一次膨胀算法。因为，侵蚀虽然能去掉白噪声，但也会让我们的物体缩小。因此我们要（用膨胀算法把它再展开）。自从噪声（从侵蚀算法中）消失之后，它们就不会再（因为膨胀算法而）出现了。但我们的物体区域会增加，它也有助于连接物体的破碎部分。
dilation = cv.dilate(img,kernel,iterations = 1)结果：
3、开放
开放就是腐蚀之后接膨胀的另一种叫法。它有助于消除噪声，就像我们在上面解释的那样，这里我们使用 cv.morphologyEx() 方法。
opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)结果：
4、闭合
闭合与开放相反，膨胀之后接侵蚀。它有助于关闭掉前景对象上的小洞，或者对象上的小黑点。
closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)结果：
5、梯度
梯度是一张图像膨胀和侵蚀的差。
这个结果看起来像是物体的外边线。
gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)结果：
6、顶帽运算
它是原图与运行过开放算法的原图之差，以下是示例是按一个9x9内核来进行的运算。
tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)结果：
7、黑帽运算
它是原图经过闭合运算之后的结果与原图之差。
blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)结果：
结构化元素
在之前的示例中，我们在Numpy的帮助下手动创建了一个结构化的元素。它是长方形的，但在某些情况下，你可能需要圆形或者椭圆形的内核。所以为了达到这个目的，OpenCV 有个方法，cv.getStructuringElement() 。你只需要传入内核的形状以及大小，你就能得到你需要的内核。
# Rectangular Kernel
>>> cv.getStructuringElement(cv.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1]], dtype=uint8)
# Elliptical Kernel
>>> cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[0, 0, 1, 0, 0]], dtype=uint8)
# Cross-shaped Kernel
>>> cv.getStructuringElement(cv.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0],
[1, 1, 1, 1, 1],
[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0]], dtype=uint8)