对于内核的应用，上节说可以进行平滑，模糊，边缘检测等操作。这节，我们就来点实例看一下，内核在图像处理过程中都有哪些作用。
侵蚀
对上面的图像进行侵蚀操作后是这样的。
代码如下：
# 导入库
import argparse
import cv2
# 构造参数解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="Path to the image")
args = vars(ap.parse_args())
# 加载图像
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Original", image)
# 对图像进行侵蚀操作（迭代不同的次数）
for i in range(0, 3):
eroded = cv2.erode(gray.copy(), None, iterations=i + 1)
cv2.imshow("Eroded {} times".format(i + 1), eroded)
cv2.waitKey(0)
上面的结果是使用3×3结构元素（内核）对原图像分别进行了1次，2次，3次侵蚀之后的样子。
erode的第二个参数是结构元素（内核），如果是None，则默认选择3×3的结构元素（内核）
erode的第三个参数是迭代次数。
膨胀（扩张）
膨胀与侵蚀动作相反，对上面的图像进行膨胀操作后是这样的。
代码如下：
# 关闭所有的窗口，并显示原图像
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 对原图像进行扩张操作
for i in range(0, 3):
dilated = cv2.dilate(gray.copy(), None, iterations=i + 1)
cv2.imshow("Dilated {} times".format(i + 1), dilated)
cv2.waitKey(0)
上面的结果是使用3×3结构元素（内核）对原图像分别进行了1次，2次，3次扩张操作之后的样子。
dilate函数的参数意义与erode函数是相同的。
由上面的两个基本操作结合前面几节课的内容，我们还可以形成一些更加有用的处理操作。比如：
开运算（侵蚀+扩张）
闭运算（扩张+侵蚀）
梯度运算（开运算^闭运算）
白帽运算（开运算^原图像）
黑帽运算（闭运算^原图像）
下面我们来一一看一下。
开运算
代码如下：
# 关闭所有的窗口，并显示原图像
cv2.destroyAllWindows()
cv2.imshow("Original", image)
kernelSizes = [(3, 3), (5, 5), (7, 7)]
# 对原图像分别进行结构元素（内核）大小分别为(3, 3), (5, 5), (7, 7)的开运算
for kernelSize in kernelSizes:
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, kernelSize)
opening = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)
cv2.imshow("Opening: ({}, {})".format(kernelSize[0], kernelSize[1]), opening)
cv2.waitKey(0)
闭运算
代码如下：
# 关闭所有的窗口，并显示原图像
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 对原图像分别进行结构元素（内核）大小分别为(3, 3), (5, 5), (7, 7)的闭运算
for kernelSize in kernelSizes:
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, kernelSize)
closing = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel)
cv2.imshow("Closing: ({}, {})".format(kernelSize[0], kernelSize[1]), closing)
cv2.waitKey(0)
上面的两个运算中，开运算可以看出它的作用是可以去除图像中的小斑点。闭运算看不出有什么效果。但两都组合就可以得到比较在用的作用-梯度运算（开运算^闭运算）
梯度运算
可以看出，梯度运算可以计算出图像的轮廓。代码如下：
# 关闭所有的窗口，并显示原图像
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 对原图像分别进行结构元素（内核）大小分别为(3, 3), (5, 5), (7, 7)的梯度运算
for kernelSize in kernelSizes:
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, kernelSize)
gradient = cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel)
cv2.imshow("Gradient: ({}, {})".format(kernelSize[0], kernelSize[1]), gradient)
cv2.waitKey(0)
白帽，黑帽运算
可以看到黑帽和白帽运算好像有点意思了。代码如下：
我们新建一个python文件hats.py
# 导入库
import argparse
import cv2
# 构建参数解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="Path to the image")
args = vars(ap.parse_args())
# 加载图像
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 构造结构元素（内核），并应用黑帽运算
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (13, 5))
blackhat = cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, rectKernel)
# 应用白帽运算
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
# 输出图像
cv2.imshow("Original", image)
cv2.imshow("Blackhat", blackhat)
cv2.imshow("Tophat", tophat)
cv2.waitKey(0)
总结
我们学习了几个比较有用的图像运算算法：
侵蚀
扩张
开运算（侵蚀+扩张）
闭运算（扩张+侵蚀）
梯度运算（开运算^闭运算）
白帽运算（开运算^原图像）
黑帽运算（闭运算^原图像）。
其实这几种算法也是利用前面几节课中的内核的概念以及数学运算。通常对于图像做预处理操作。
我们在最后的黑白帽运算中用的图像是车牌的图像。其实，可以想像一下，如果我们真的要识别车牌，还真就得用这种基础的算法去对图像做一些预先的处理。大胆猜测一下车牌识别的方法：比如先去识别图像中的蓝色区域，然后得到的矩形与原图像做与运算，得到车牌区域。然后再对得到的图像进行黑白帽运算，然后再二值化，然后再做梯度或开闭运算，即可分解出车牌中的字母及数字。