形态转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两个基本的形态学操作是侵蚀和扩张。然后它的变化形式，如打开，关闭，梯度等也开始发挥作用。

image.png

腐蚀

腐蚀的基本思想就像土壤侵蚀，它侵蚀了前景物体的边缘（总是尽量保持前景物体白色）。那么它有什么作用呢？内核滑过图像，只有当内核下的所有像素都为1时，才能使原始图像中（1或0）中的像素置为1，否则将被侵蚀（置为0）.

所以情况是，边界附近的的所有像素将被丢弃，这取决于内核的大小，因此前景物体的厚度或尺寸将会变小。它有助于消除小的白色噪音，分离两个连接的对象。

import cv2
import numpy as np

img = cv2.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

image.png

扩张

正好与侵蚀相反，如果内核下至少有一个元素为“1”，那么像素元素置为“1”。它增加了前景对象的大小。通常，在噪声消除的情况下，腐蚀操作后是膨胀运算，因为腐蚀消除了白色的噪音，缩小了我们的对象，所以用膨胀扩大它，而噪声已经被消除了便不会再回来，但我们的对象面积增加了。该操作可以连接物体的断链部分。

dilation = cv2.dilate(img,kernel,iterations = 1)

image.png

开运算

开运算是先腐蚀，后扩张的结合。正如我们上面所解释的，它对消除噪音很有用。

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

image.png

闭运算

和开运算相反，膨胀后腐蚀。它在关闭前景对象内的小孔或对象上的小黑点时很有用。

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

image.png

形态学梯度运算

它是图像的膨胀和腐蚀之间的区别。使结果看起来像找到对象的轮廓。

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

顶帽

我们在处理复杂背景图像的时候，常会遇到图像背景纹理不均匀，光照不均匀，前景不够突出的问题。如果用阈值进行二值处理难以获得满意的效果。顶帽变换和底帽变换对图像处理，可以有效解决这一问题。

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

底帽

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

image.png

结构要素

在前面的例子中，我们在numpy的帮助下手工创建了一个结构化元素。它是长方形的。但在某些情况下，您可能需要椭圆/圆形的内核。因此，opencv有一个函数 cv2.getStructureingElement()。只要传递内核的形状和大小，就可以得到所需的内核。

# Rectangular Kernel
>>> cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)

# Elliptical Kernel
>>> cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
array([[0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0]], dtype=uint8)

# Cross-shaped Kernel
>>> cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))
array([[0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0],
       [1, 1, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [0, 0, 1, 0, 0]], dtype=uint8)