OpenCV形态学变换(erode,dilate,Opening,Closing,Morphological Gradient,Top Hat,Black Hat)

在对二值图像进行处理的过程中，我们总会使用形态学变换，来去除一些不必要的结果和特征，来帮助我们进行后续的分析。

接下来介绍以下形态学的几种方式，了解了这几种方式，以及这些方式的特点后，才能够更加熟练的使用。

形态学变换的方法有以下几种：
腐蚀：erode
膨胀：dilate
开运算：Opening
闭运算：Closing
形态梯度：Morphological Gradient
顶帽：Top Hat
黑帽：Black Hat

先来介绍以下erode
def erode
(src,kernel,dst=None,anchor=None,iterations=None,borderType=None,borderValue=None)

kernel：内核。若为null，默认使用3*3的内核。我们一般使用getStructuringElement配合这个参数使用。在getStructuringElement里面指定形状和尺寸：
形状包含如下三种：
矩形：MORPH_RECT
交叉形：MORPH_CORSS
椭圆形：MORPH_ELLIPSE

anchor：Point类型的，锚点的位置，默认Point(-1,-1)，表示锚点位于中心。
iterations：int类型的，迭代使用erode()的次数，默认为1
borderType：int类型的，推断图像外部像素的某种边界模式。默认BORDER_DEFAULT
borderValue：const Scalar类型的，当边界为常数时的边界，有默认值
morphologyDefaultBorderValue()

等下我们要将腐蚀和膨胀来做下对比，所以在这里将膨胀(dilate)的参数也讲下：
def dilate
(src,kernel,dst=None,anchor=None,iterations=None,borderType=None,borderValue=None)
一看参数，诶，巧了！一模一样。那我这里就不啰嗦了，就在上面，直接看。

明天就七夕了，我这里就用一个跟节日靠近的图像来做实例吧！

腐蚀后的图像与原图像的对比：

膨胀后的图像与原图像的对比：

我们看完这个图，会觉得，欸？是不是搞错了啊！！！ 腐蚀后的结果比原来的图像更胖了！
膨胀后的结果比原来的图像更瘦了！ (+_+)? 如果看不出图像差异的，我推荐你就别看牛郎和织的女了，改看旁边喜鹊吧，翅膀还是很明显的。

其实并没有搞错，你要知道，所谓的膨胀腐蚀对于作用的对象并不是我们所看到的轮廓，而是外面的白色，黑色在二值图像里面代表的是0 白色是1 所以我们进行图像操作操作的是有数值的白色，而不是无值的黑色。 (这就是为啥说，眼见不一定为实)。

到这里就又有一个疑问了，为啥要先介绍膨胀和腐蚀，而没有先介绍后面的那几种操作呢？
原因是，后面的那几种操作其实就是上面的图像的运算而形成的。

这几种操作用到的都是同一个函数：morphologyEx
def morphologyEx
(src,op,kernel,dst=None,anchor=None,iterations=None,borderType=None,borderValue=None)

op：就是我们这里指的这几种形态学运算的类型
开运算 （MORPH_OPEN）:先腐蚀再膨胀
闭运算（MORPH_CLOSE） :先膨胀再腐蚀
形态梯度（MORPH_GRADIENT）: 膨胀图与腐蚀图之差(保留物体边缘轮廓)
顶帽（MORPH_TOPHAT） : 原图像与开运算之差
黑帽 （MORPH_BLACKHAT）: 闭图像与原图像之差

这里唯一需要多介绍的就这一个函数，其他的都和膨胀腐蚀的参数一样。还不太明白的可以去上面找一找。

虽然这个实验我也想用上面的那个图，不过发现效果不够明显，这下我换成文字吧，比较含蓄的提现即将到来的节日：

这组图片中，第一个是原图，然后是开运算的图，闭运算的图
第二行第一个是形态梯度的图，第二个是顶帽的图，第三个是黑帽的图

我们会发现：

当使用开运算的时候，看“情”字比较明显，中间的封闭的地方比原图像模糊了

因为开运算能够**删除不能包含结构元素的对象区域，平滑图像的轮廓，使拐点的地方更加连贯，断开一些狭窄的链接，去掉细小的突出部分。

当使用闭运算的时候，看每个字代笔(连笔)的地方，变得不是那么的连续

因为闭运算能够排除小型黑洞，平滑图像轮廓，与开运算不同的是闭运算会将狭窄的缺口链接起来，填充比结构元素小的洞

形态学梯度就很明显了，保留物体边缘轮廓

顶帽和黑帽在这里的效果不是很明显，这里我就不从图片上分析了，直接从公式入手

顶帽： 原图像与开运算之差
开运算的目的是放大裂缝(此时的文字可以理解为裂缝)或局部降低亮度的区域，顶帽（原图像减去开运算）的图能够突出比原图像周围区域更亮的区域。按照位置对应，会发现“情”字的“月”的那部分有一些高亮的区域。

黑帽：闭运算与原图像之差
黑帽运算突出比原图像周围更暗的区域。黑帽用来显示比原图像多闭合的高亮区域。

这个地方比较绕，我这里做一个简单的介绍：当针对二值图像来说，白色是有值的，黑色是无值的，开运算就是将有值的部分打开，从而将无值的部分显得更加连贯，闭运算就相反，是将有值的地方进行连接，从而无值的部分就会显得稀少了。根据我总结的这句话可以再返回去看下上面的开运算和闭运算的图，不知道是否能帮助你们了解下形态学的相关信息。

接下来上代码：

import cv2

img = cv2.imread("C:/Users/DELL/Desktop/img4.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

gauss = cv2.GaussianBlur(gray, (3, 3), 1)

element = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

erode = cv2.erode(gauss, element)
dilate = cv2.dilate(gauss, element)
open = cv2.morphologyEx(gauss, cv2.MORPH_OPEN, element)
close = cv2.morphologyEx(gauss, cv2.MORPH_CLOSE, element)
morphological_gradient = cv2.morphologyEx(gauss, cv2.MORPH_GRADIENT, element)
top_hat = cv2.morphologyEx(gauss, cv2.MORPH_TOPHAT, element)
black_hat = cv2.morphologyEx(gauss, cv2.MORPH_BLACKHAT, element)

cv2.imshow("src", gauss)
cv2.imshow("dilate", dilate)
cv2.imshow("erode", erode)
cv2.imshow("open", open)
cv2.imshow("close", close)
cv2.imshow("morphological_gradient", morphological_gradient)
cv2.imshow("top_hat", top_hat)
cv2.imshow("black_hat", black_hat)


cv2.waitKey(0)