如果说滤波是在大的尺度空间来处理，图像形态学则对消除局部噪声信号十分有用，其目的是剔除二值图像中的干扰，更好的保留你的目标信息。最常使用的形态学处理包括腐蚀，膨胀，开运算，闭运算，opencv里面还提供有礼帽，黑帽运算，实质是在腐蚀、膨胀操作基础上进行几何运算。
这里默认1(白色)为“目标”，0(黑色)为“背景”。腐蚀即会使得目标区域减少，膨胀会使得目标区域增加。【注：这里说白色是目标并不绝对，加以理解为你想要的区域，如果黑色区域出现白色区块，也会被视为噪声干扰】

1. 腐蚀

腐蚀处理

对于消除黑色背景中的白色噪点非常有帮助，可一定程度上防止后期特征提取时不必要的干扰，不过对目标(砖缝)信息也有损失，如果需要，可以接一次膨胀处理，腐蚀+膨胀这一套运算就是开运算。

# 腐蚀
import cv2
import numpy as np

img=cv2.imread('scraths.jpg')

gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 高斯平滑,为了消除图像中的噪声
gaussian_img = cv2.GaussianBlur(gray_img,(5, 5),0)

ret, th = cv2.threshold(gaussian_img, 127, 255, cv2.THRESH_BINARY_INV)

# 可以自己选择核模板, 还有cv2.MORPH_ELLIPSE, cv2.MORPH_CROSS可配
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
erode_img = cv2.erode(th, kernel_rect, iterations = 2)

cv2.imshow('binary_img',th)
cv2.imshow('erode_img', erode_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

2.膨胀

膨胀处理

对于膨胀处理，可以使得原本断联的目标像素重新连接在一起。

# 在前面的基础上添加
dilate_img = cv2.dilate(erode_img, kernel_rect, iterations =1)

其中，iterations代表你需要处理的次数，如果处理的次数相同，可以使用开运算来完成：

# 开运算，先腐蚀后膨胀
open_img=cv2.morphologyEx(th, cv2.MORPH_OPEN, kernel_rect, iterations = 2)
# 闭运算，先膨胀后腐蚀
close_img=cv2.morphologyEx(th, cv2.MORPH_CLOSE, kernel_rect, iterations = 2)

3. 其他形态学处理

官方文档上对涉及的几种形态学处理方式的介绍如下：

链接：https://docs.opencv.org/3.0-beta/modules/imgproc/doc/filtering.html?highlight=cv2.erode#morphologyex其中，形态学梯度能够很好的显示图像的边缘信息，处理得当能够有很不错的画风。

# 对应的cv2.morphologyEx第二个参数为：
cv2.MORPH_GRADIENT#形态学梯度
cv2.MORPH_TOPHAT#礼帽
cv2.MORPH_BLACKHAT#黑帽

形态学梯度处理

相关链接：

1. 关于腐蚀、膨胀运算：OpenCV开闭操作http://www.mamicode.com/info-detail-2364716.html本文介绍了如何设置适当的参数来排除图像中的线型干扰，还会教你如何通过腐蚀运算来提取带有方向性的目标

腐蚀消除线干扰

注：这种方法对于细线有较明显的效果
2. 关于礼帽和黑帽进行噪声检测：OpenCV与Python之图像形态学操作https://www.pianshen.com/article/8384347134/

对于opencv-python的图像形态学部分有问题欢迎留言， Have Fun With OpenCV-Python, 下期见。