【opencv图像处理中的形态学操作】

1. 腐蚀是一种消除边界点，使边界向内部收缩的过程。

可以用来消除小且无意义的物体。
腐蚀的算法：
用3x3的结构元素，扫描图像的每一个像素
用结构元素与其覆盖的二值图像做“与”操作
如果都为1，结果图像的该像素为1。否则为0。
结果：使二值图像减小一圈

2. 膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。

可以用来填补物体中的空洞。
膨胀的算法：
用3x3的结构元素，扫描图像的每一个像素
用结构元素与其覆盖的二值图像做“与”操作
如果都为0，结果图像的该像素为0。否则为1
结果：使二值图像扩大一圈

3. 先腐蚀后膨胀的过程称为开运算。

用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。

4. 先膨胀后腐蚀的过程称为闭运算。

用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。

腐蚀膨胀都是用一个卷积核对图像进行卷积处理,并取出结果中的极值作为结果，腐蚀是图片中黑的区域增加，膨胀是图片中高亮区域增加（消除这些小的黑斑)。

dilate使用像素邻域内的局部极大运算符来膨胀。

erode使用像素邻域内的局部极小运算符来腐蚀。

API:Mat getStructuringElement(int 内核形状,Size 内核尺寸,Point 锚点位置)

 注:内核形状可以取方形MORPH_RECT,十字形MORPH_CROSS,椭圆形MORPH_ELLIPSE

锚点位置默认值Point(-1,-1),取形状的中心

通过该API就可以获得相应的计算核,接下来计算膨胀的函数为

 API:void dilate(源图像,目标图像,膨胀核,锚点,int 迭代次数,int边界模式,int 边界为常数时边界值)

---

开运算与闭运算的结合经常用于二值图像的后处理阶段，整个过程消除了二值图像中的孤立目标，并且填补了目标区域的内部孔洞。但是这两种运算会破坏目标原本轮廓和形状，特别是对于小尺寸目标会变得十分明显。

开运算:开运算是一个先腐蚀,后膨胀的过程,用于在图像中消除小的物体,在纤细点处分离物体,在平滑化较大的物体的边界的同时不明显改变物体的体积.

闭运算:先膨胀后腐蚀的过程,能够用于消除物体中的小型黑洞

开运算：先腐蚀再膨胀，用来消除小物体

闭运算：先膨胀再腐蚀，用于排除小型黑洞

形态学梯度：就是膨胀图与俯视图之差，用于保留物体的边缘轮廓。

顶帽：原图像与开运算图之差，用于分离比邻近点亮一些的斑块。

黑帽：闭运算与原图像之差，用于分离比邻近点暗一些的斑块。

具体效果如：https://blog.csdn.net/steph_curry/article/details/78837633

opencv里有一个很好的函数getStructuringElement，我们只要往这个函数传相应的处理参数，就可以进行相应的操作了，使用起来非常方便。

API:void morpholgyEx(源,目标,int 形态学操作标志,mat 形态学操作内核,Point 锚点,int 迭代次数,int 边界模式,int 边界为常数时的边界值).

注:形态学操作标志的取值如下:MORPH_OPEN开运算  MORPH_CLOSE 闭运算 MORPH_GRENIENT 形态学梯度 MORPH_TOPHAT顶帽 MORPH_BLACKHAT黑帽 MORPH_ERODE腐蚀 MORPH_DILATE 膨胀

形态学操作内核就是前面膨胀腐蚀使用的内核

getStructuringElement
getStructuringElement函数会返回指定形状和尺寸的结构元素（内核矩阵）。

函数原型：

CV_EXPORTS_W Mat getStructuringElement(int shape, Size ksize, Point anchor = Point(-1,-1));

参数说明：
shape：表示内核的形状

              MORPH_RECT， 矩形；
              MORPH_CROSS，交叉形；
              MORPH_ELLIPSE，椭圆形；

ksize：内核的尺寸；
anchor
 ：锚点的位置。

morphologyEx
morphologyEx函数利用基本的膨胀和腐蚀技术，来执行更加高级形态学变换，如开闭运算，形态学梯度，“顶帽”、“黑帽”等等。

函数原型：
CV_EXPORTS_W void morphologyEx( InputArray src, OutputArray dst,

                                int op, InputArray kernel,
                                Point anchor = Point(-1,-1), int iterations = 1,
                                int borderType = BORDER_CONSTANT,
                                const Scalar& borderValue = morphologyDefaultBorderValue() );

参数说明：
src：输入图像，即源图像，填Mat类的对象即可。图像位深应该为以下五种之一：CV_8U, C 
        V_16U,CV_16S, CV_32F 或CV_64F；
dst：目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型；
op：形态学运算的类型，可以是如下之一的标识符：

        MORPH_OPEN – 开运算（Opening operation）；
        MORPH_CLOSE – 闭运算（Closing operation）；
        MORPH_GRADIENT -形态学梯度（Morphological gradient）；
        MORPH_TOPHAT - “顶帽”（“Top hat”）；
        MORPH_BLACKHAT - “黑帽”（“Black hat“）；

kernel：InputArray类型的kernel，形态学运算的内核。若为NULL时，表示的是使用参考点
              位于中心3x3的核；
anchor
 ：锚的位置，其有默认值（-1，-1），表示锚位于中心；
iterations
 ：迭代使用函数的次数，默认值为1；
borderType
 ：用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_ CONSTA
                        NT；
borderValue
 ：当边界为常数时的边界值，有默认值morphologyDefaultBorderValue()。

PS：自定义核流程
Mat element = getStructuringElement(element_shape, Size(3,3), Point(1, 1) );
morphologyEx(src, dst, MORPH_OPEN, element);

---

使用滑动条迭代一次进行处理：

#include
#include
using namespace std;
using namespace cv;

Mat srcImage;
//开
const int g_openCoreMax = 100;
int g_nopenCoreValue=5;
void onopenCoreSizeTrackBar(int , void* );

//闭

const int g_closeCoreMax = 100;
int g_ncloseCoreValue=5;

void oncloseCoreSizeTrackBar(int, void* );



int main(int argc, char* argv[])
{
	srcImage = imread("123.jpg");
	namedWindow("src image", WINDOW_AUTOSIZE);
	
	
	namedWindow("open image", WINDOW_AUTOSIZE);
	createTrackbar("core size", "open image", &g_nopenCoreValue, g_openCoreMax, onopenCoreSizeTrackBar, 0);
	onopenCoreSizeTrackBar(0, 0);
   
	
	namedWindow("close image", WINDOW_AUTOSIZE);
	createTrackbar("core size", "close image", &g_ncloseCoreValue, g_closeCoreMax, oncloseCoreSizeTrackBar, 0);
	oncloseCoreSizeTrackBar(0, 0);

	imshow("src image", srcImage);

	
	
	
	waitKey(0);
	return 0;
}

void onopenCoreSizeTrackBar(int , void* )
{
	Mat openImage;
	if (g_nopenCoreValue == 0 )
	{
		imshow("open image", srcImage);
	}
	else
	{
		if (g_nopenCoreValue % 2 == 0)
			g_nopenCoreValue++;
		Mat core = getStructuringElement(MORPH_RECT, Size(g_nopenCoreValue, g_nopenCoreValue));
		morphologyEx(srcImage, openImage, MORPH_OPEN, core, Point(-1, -1), 1);
		imshow("open image", openImage);
	}
}

void oncloseCoreSizeTrackBar(int, void*)
{
	Mat closeImage;
	if (g_ncloseCoreValue ==  0)
	{
		imshow("close image", srcImage);
	}
	else
	{
		if (g_ncloseCoreValue % 2 == 0)
			g_ncloseCoreValue++;
		Mat core = getStructuringElement(MORPH_RECT, Size(g_ncloseCoreValue, g_ncloseCoreValue));
		morphologyEx(srcImage, closeImage, MORPH_CLOSE, core, Point(-1, -1),1);
		imshow("close image", closeImage);
	}
}

运行输出：

参考博客：https://blog.csdn.net/u012566751/article/details/54632150