形态学操作是根据图像形状进行的简单操作.一般情况下对二值化图像进行的操作.
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.
两个基本的形态学操作是腐蚀和膨胀.他们的变体构成了开运算,闭运算,梯度等

import cv2 as cv


def erode_demo(image):
    """
    就像土壤侵蚀一样,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,否则就变为零.
    这回产生什么影响呢? 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少.
    这对于去除白噪声很有用, 也可以用来断开两个连在一块的物体等.
    """
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary", binary)

    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.erode(binary, kernel=kernel)
    cv.imshow("erode_demo", dst)


def dilate_demo(image):
    """
    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是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). 一般在去噪声时先用腐蚀再用膨胀.
    因为腐蚀在去掉白噪声的同时, 也会使前景对象变小.所以我们再对他进行膨胀.
    这时噪声已经被去除了, 不会再回来了, 但是前景还在并会增加.
    膨胀也可以用来连接两个分开的物体.
    """
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY|cv.THRESH_OTSU)
    cv.imshow("binary", binary)

    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.dilate(binary, kernel=kernel)
    cv.imshow("dilate_demo", dst)


def main():
    # src = cv.imread("./images/01.jpg")
    # cv.imshow("img", src)
    # erode_demo(src)
    # dilate_demo(src)

    src = cv.imread("./images/lena.jpg")
    cv.imshow("src", src)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.erode(src, kernel=kernel)
    cv.imshow("dilate", dst)

    while True:
        k = cv.waitKey(0)
        if k == ord("q"):
            break

    cv.destroyAllWindows()


if __name__ == '__main__':
    main()

图像的膨胀与腐蚀_cv