一、定义结构元素
形态学处理的核心就是定义结构元素，在OpenCV-Python中，可以使用其自带的 getStructuringElement 函数，也可以直接使用 Numpy 的 ndarray 来定义一个结构元素。形象图如下：
如下代码：为上图的十字型结构。当然还可以定义椭圆和矩形等。
椭圆： cv2.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
矩形： cv2.getStructuringElement(cv.MORPH_RECT,(5,5))
element = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
print("elemrnt":element )
------------------------------------------------
import numpy as np
NpKernel = np.uint8(np.zeros((5,5)))
for i in range(5):
NpKernel[2, i] = 1
NpKernel[i, 2] = 1
print("NpKernel ",NpKernel )
上述结果输出（相同）：
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)
二、腐蚀和膨胀
腐蚀：腐蚀会把物体的边界腐蚀掉，卷积核沿着图像滑动，如果卷积核对应的原图的所有像素值为1，那么中心元素就保持原来的值，否则变为零。主要应用在去除白噪声，也可以断开连在一起的物体。
膨胀：卷积核所对应的原图像的像素值只要有一个是1，中心像素值就是1。一般在除噪声时，先腐蚀再膨胀，因为腐蚀在去除白噪声的时候会使图像缩小，之后再进行膨胀。当然也可以用来将两者物体分开。
"""
腐蚀
cv2.erode(src, # 输入图像
kernel, # 卷积核
dst=None,
anchor=None,
iterations=None, # 迭代次数，默认1
borderType=None,
borderValue=None)
膨胀
cv2.dilate(src, # 输入图像
kernel, # 卷积核
dst=None,
anchor=None,
iterations=None, # 迭代次数，默认1
borderType=None,
borderValue=None)
"""
import cv2
import numpy as np
original_img = cv2.imread('flower.png')
res = cv2.resize(original_img,None,fx=0.6, fy=0.6,
interpolation = cv2.INTER_CUBIC) #图形太大了缩小一点
B, G, R = cv2.split(res) #获取红色通道
img = R
_,RedThresh = cv2.threshold(img,160,255,cv2.THRESH_BINARY)
#OpenCV定义的结构矩形元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
eroded = cv2.erode(RedThresh,kernel) #腐蚀图像
dilated = cv2.dilate(RedThresh,kernel) #膨胀图像
cv2.imshow("original_img", res) #原图像
cv2.imshow("R_channel_img", img) #红色通道图
cv2.imshow("RedThresh", RedThresh) #红色阈值图像
cv2.imshow("Eroded Image",eroded) #显示腐蚀后的图像
cv2.imshow("Dilated Image",dilated) #显示膨胀后的图像
#NumPy定义的结构元素
NpKernel = np.uint8(np.ones((3,3)))
Nperoded = cv2.erode(RedThresh,NpKernel) #腐蚀图像
cv2.imshow("Eroded by NumPy kernel",Nperoded) #显示腐蚀后的图像
cv2.waitKey(0)
cv2.destroyAllWindows()
效果图：
三、开运算和闭运算
开运算和闭运算就是将腐蚀和膨胀按照一定的次序进行处理。但是这两者并不是可逆的，即先开后闭并不能得到原先的图像。
开运算：先腐蚀后膨胀，用于移除由图像噪声形成的斑点。
闭运算：先膨胀后腐蚀，用于连接被误分为许多小块的对象。
"""
cv2.morphologyEx(src, # 输入图片
op, # 需要处理类型的函数：(cv2.MORPH_OPEN,cv2.MORPH_CLOSE,cv2.MORPH_GRADIENT)
kernel, # 卷积核大小
dst=None,
anchor=None,
iterations=None, #迭代次数，默认1次
borderType=None,
borderValue=None)
"""
import cv2
import numpy as np
original_img = cv2.imread('original_img.png',0)
gray_res = cv2.resize(original_img,None,fx=0.8,fy=0.8,
interpolation = cv2.INTER_CUBIC) #图形太大了缩小一点
# B, G, img = cv2.split(res)
# _,RedThresh = cv2.threshold(img,160,255,cv2.THRESH_BINARY) #设定红色通道阈值160（阈值影响开闭运算效果）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3)) #定义矩形结构元素
closed1 = cv2.morphologyEx(gray_res, cv2.MORPH_CLOSE, kernel,iterations=1) #闭运算1
closed2 = cv2.morphologyEx(gray_res, cv2.MORPH_CLOSE, kernel,iterations=3) #闭运算2
opened1 = cv2.morphologyEx(gray_res, cv2.MORPH_OPEN, kernel,iterations=1) #开运算1
opened2 = cv2.morphologyEx(gray_res, cv2.MORPH_OPEN, kernel,iterations=3) #开运算2
gradient = cv2.morphologyEx(gray_res, cv2.MORPH_GRADIENT, kernel) #梯度
#显示如下腐蚀后的图像
cv2.imshow("gray_res", gray_res)
cv2.imshow("Close1",closed1)
cv2.imshow("Close2",closed2)
cv2.imshow("Open1", opened1)
cv2.imshow("Open2", opened2)
cv2.imshow("gradient", gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果图：
四、顶帽、黑帽算法
import cv2
original_img0 = cv2.imread('original_img.png')
original_img = cv2.imread('original_img.png',0)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3)) #定义矩形结构元素
TOPHAT_img = cv2.morphologyEx(original_img, cv2.MORPH_TOPHAT, kernel)
#顶帽运算 原图减开运算
BLACKHAT_img = cv2.morphologyEx(original_img, cv2.MORPH_BLACKHAT, kernel)
#黒帽运算 闭运算减去原图
#显示图像
cv2.imshow("original_img0", original_img0)
cv2.imshow("original_img", original_img)
cv2.imshow("TOPHAT_img", TOPHAT_img)
cv2.imshow("BLACKHAT_img", BLACKHAT_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果图：
显然该算法可以图像识别的预处理，用于图像二值化后去除孤立点，如下图示：
import cv2
original_img = cv2.imread('original_img.png',0)
gray_img = cv2.resize(original_img,None,fx=0.8, fy=0.8,
interpolation = cv2.INTER_CUBIC) #图形太大了缩小一点
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3)) #定义矩形结构元素(核大小为3效果好)
TOPHAT_img = cv2.morphologyEx(gray_img, cv2.MORPH_TOPHAT, kernel) #顶帽运算
BLACKHAT_img = cv2.morphologyEx(gray_img, cv2.MORPH_BLACKHAT, kernel) #黒帽运算
bitwiseXor_gray = cv2.bitwise_xor(gray_img,TOPHAT_img)
# 图像算数与逻辑运算
#显示如下腐蚀后的图像
cv2.imshow("gray_img", gray_img)
cv2.imshow("TOPHAT_img", TOPHAT_img)
cv2.imshow("BLACKHAT_img", BLACKHAT_img)
cv2.imshow("bitwiseXor_gray",bitwiseXor_gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果图：噪声少了一些
五、形态学运算 检测边和 角点
形态学算子检测图像中的边缘和拐点（实际用：Canny或Harris等算法）
5.1 检测边缘
形态学检测边缘的额原理很简单：在膨胀时，图像中的物体会向周围“扩张”；腐蚀时，图像中的物体会“收缩”。由于这两幅图像其变化的区域只发生在边缘。所以这时将两幅图像相减，得到的就是图像中物体的边缘。
import cv2
import numpy
image = cv2.imread("jianzhu.png",cv2.IMREAD_GRAYSCALE)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
dilate_img = cv2.dilate(image, kernel)
erode_img = cv2.erode(image, kernel)
"""
我选了一张较好的图片，有的图片要去噪（高斯模糊）
将两幅图像相减获得边；cv2.absdiff参数：(膨胀后的图像，腐蚀后的图像)
上面得到的结果是灰度图，将其二值化以便观察结果
反色，对二值图每个像素取反
"""
absdiff_img = cv2.absdiff(dilate_img,erode_img);
retval, threshold_img = cv2.threshold(absdiff_img, 40, 255, cv2.THRESH_BINARY);
result = cv2.bitwise_not(threshold_img);
cv2.imshow("jianzhu",image)
cv2.imshow("dilate_img",dilate_img)
cv2.imshow("erode_img",erode_img)
cv2.imshow("absdiff_img",absdiff_img)
cv2.imshow("threshold_img",threshold_img)
cv2.imshow("result",result)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果图：
5.2 检测拐角
拐角的检测过程原理：先用十字形的结构元素膨胀图像，这种情况下只会在边缘处“扩张”，角点不发生变化；接着用菱形的结构元素腐蚀原图像，导致只有在拐角处才会“收缩”，而直线边缘都未发生变化。当两幅图相减时，只保留了拐角处。
import cv2
image = cv2.imread("./jianzhu.png",0)
original_image = image.copy()
#构造5×5的结构元素，分别为十字形、菱形、方形和X型
cross = cv2.getStructuringElement(cv2.MORPH_CROSS,(5, 5))
diamond = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5))
diamond[0, 0] = 0
diamond[0, 1] = 0
diamond[1, 0] = 0
diamond[4, 4] = 0
diamond[4, 3] = 0
diamond[3, 4] = 0
diamond[4, 0] = 0
diamond[4, 1] = 0
diamond[3, 0] = 0
diamond[0, 3] = 0
diamond[0, 4] = 0
diamond[1, 4] = 0
square = cv2.getStructuringElement(cv2.MORPH_RECT,(5, 5)) #构造方形结构元素
x = cv2.getStructuringElement(cv2.MORPH_CROSS,(5, 5))
dilate_cross_img = cv2.dilate(image,cross) #使用cross膨胀图像
erode_diamond_img = cv2.erode(dilate_cross_img, diamond) #使用菱形腐蚀图像
dilate_x_img = cv2.dilate(image, x) #使用X膨胀原图像
erode_square_img = cv2.erode(dilate_x_img,square) #使用方形腐蚀图像
result = cv2.absdiff(erode_square_img, erode_diamond_img) #将两幅闭运算的图像相减获得角
retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY) #使用阈值获得二值图
#在原图上用半径为5的圆圈将点标出。
for j in range(result.size):
y = int(j / result.shape[0])
x = int(j % result.shape[0])
if result[x, y] == 255: #result[] 只能传入整型
cv2.circle(image,(y,x),5,(255,0,0))
cv2.imshow("original_image", original_image)
cv2.imshow("Result", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
效果图：
参考链接：
https://blog.csdn.net/wsp_1138886114/article/details/82917661