目标：不同的形态学操作，如腐蚀、膨胀、开运算、闭运算
函数：cv2.erode()、cv2.dilate()、cv2.morphologyEx()
原理：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。
1、腐蚀
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）。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，否则就变成0.
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小。这对于去除白噪声很有用，也可以用来断开两个连在一起的物体等。
例如：一个5x5的卷积核
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path="D:\\openCV\\opencv\\sources\\samples\\data\\LinuxLogo.jpg"
logo=cv.imread(path)
kernel=np.ones((5,5),np.uint8)
erosion=cv.erode(logo,kernel,iterations=1)
plt.subplot(1,2,1),plt.imshow(logo,"gray"),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(erosion,"gray"),plt.title("erosion")
plt.xticks([]),plt.yticks([])
plt.show()效果图：
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为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）。一半在去除噪声时先用腐蚀再用膨胀。与此相反，在去除白点时，一半先腐蚀，再膨胀（这个效果很容易想象吧）。
例如：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
path="D:\\openCV\\opencv\\sources\\samples\\data\\LinuxLogo.jpg"
logo=cv.imread(path)
kernel=np.ones((5,5),np.uint8)
dilation=cv.dilate(logo,kernel,iterations=1)
plt.subplot(1,2,1),plt.imshow(logo,"gray"),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(1,2,2),plt.imshow(dilation,"gray"),plt.title("dilation")
plt.xticks([]),plt.yticks([])
plt.show()
效果图：
扫描二维码关注公众号，回复：
4983603 查看本文章
3.开运算：
先进行腐蚀再进行膨胀就叫做开运算。被用来去除噪声
函数：
opening=cv.morphologyEx(logo,cv.MORPH_OPEN,kernel)结果：
4、闭运算
先进行膨胀再进行腐蚀就叫做闭运算。经常被用来填充前景物体中的小洞，或者前景物体上的小点。
closing=cv.morphologyEx(logo,cv.MORPH_CLOSE,kernel)效果：
5、形态学梯度、礼帽、黑帽
这些与腐蚀的不同仅仅是参数上的区别：
梯度：cv2.MORPH_GRADIENT
礼帽：cv2.MORPH_TOPHANT
黑帽：cv2.MORPH_BLACKHAT