import cv2 as cv
import numpy as np


"""
形态学操作是根据图像形状进行的简单操作。一般情况下对二值化图像进行的操作。
需要输入两个参数，一个是原始图像，第二个被称为结构化元素或 核，它是用来决定操作的性质的。
两个基本的形态学操作是腐蚀和膨胀。他们 的变体构成了开运算，闭运算，梯度等
"""


def erode_demo(image):
    """
    就像土壤侵蚀一样，这个操作会把前景物体的边界腐蚀掉（但是前景仍然 是白色）。
    卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是 1，
    那么中心元素就保持原来的像素值，否则就变为零。
    这回产生什么影响呢？根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为 0），
    所以前景物体会变小，整幅图像的白色区域会减少。
    这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。
    """
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary", binary)

    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.erode(binary, kernel=kernel)
    cv.imshow("erode_demo", dst)


def dilate_demo(image):
    """
    与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元 素的像素值就是 1。
    所以这个操作会增加图像中的白色区域（前景）。一般在去 噪声时先用腐蚀再用膨胀。
    因为腐蚀在去掉白噪声的同时，也会使前景对象变 小。所以我们再对他进行膨胀。
    这时噪声已经被去除了，不会再回来了，但是 前景还在并会增加。
    膨胀也可以用来连接两个分开的物体。
    """
    print(image.shape)
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary", binary)

    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    dst = cv.dilate(binary, kernel=kernel)
    cv.imshow("dilate_demo", dst)


def main():
    src = cv.imread("01.jpg")
    # erode_demo(src)
    # dilate_demo(src)

    # 彩色图像腐蚀，膨胀
    img = cv.imread("lena.jpg")
    cv.imshow("img", img)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 5))
    # dst = cv.dilate(img, kernel=kernel)
    dst = cv.erode(img, kernel=kernel)
    cv.imshow("dilate", dst)
    cv.waitKey(0)  # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口
    cv.destroyAllWindows()  # 关闭所有窗口


if __name__ == '__main__':
main()