1.图像形态学运算简介

1.图像形态学运算简介:(1)图像形态学是指以形态为基础对图像进行分析的一种方法或技术。(2)图像形态学操作的核心思想是：从图像中提取用于表达或描绘图像形状的信息。(3)图像形态学操作的目的是：使计算机更够更好的对图像进行识别和理解。因为图像形态学处理后可以简化图像数据，同时保存了它们基本的形状特性，去除了不相干的结构。

常见的图像形态学处理操作:

2.图像开运算处理

2.1.图像开运算处理简介

2.1.图像开运算处理简介:
(1)开运算cv2.MORPH_OPEN：先腐蚀后膨胀--dilate(erode(img))
(2)图像开运算是图像依次经过腐蚀、膨胀处理后的过程。图像被腐蚀后，去除了噪声，但是也压缩了图像；接着对腐蚀过的图像进行膨胀处理，可以去除噪声，并保留原有图像。

2.2.图像开运算处理代码

#%%
#图像开运算
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
opening_img1= cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel1) 
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子
opening_img2= cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel2)plt.figure(figsize=(10,8))
figure=[img,opening_img1,opening_img2]
titile=[u'Orignal Figure',u'Opening Figure(k=9)',u'Opening Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

2.3.图像开运算处理效果

3.图像闭运算处理

3.1.图像闭运算处理简介

3.1.图像闭运算处理简介:(1)闭运算cv2.MORPH_CLOSE：先膨胀后腐蚀--erode(dilate(img))(2)图像闭运算是图像依次经过膨胀、腐蚀处理后的过程。图像先膨胀，后腐蚀，它有助于关闭前景物体内部的小孔，或物体上的小黑点。如下图所示：

3.2.图像闭运算处理代码

#%%
#图像闭运算
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子
closing1_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel1)
closing2_img= cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,closing1_img,closing2_img]
titile=[u'Orignal Figure',u'Clongsing Figure(k=9)',u'Clongsing Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

3.3.图像闭运算处理效果

4.图像形态学梯度处理

4.1.图像形态学梯度处理简介

4.1.图像形态学梯度处理简介:
（1）形态学梯度cv2.MORPH_GRADIENT：膨胀图-腐蚀图--dilate(img)-erode(img)
（2)图像梯度运算是膨胀图像减去腐蚀图像的结果，得到图像的轮廓，其中二值图像1表示白色点，0表示黑色点。

4.2.图像形态学梯度处理代码

#%%
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子gradient1_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel1)
gradient2_img= cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,gradient1_img,gradient2_img]
titile=[u'Orignal Figure',u'Gradient Figure(k=9)',u'Gradient Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

4.3.图像形态学梯度处理效果

5.图像顶帽处理

5.1.图像顶帽处理简介

5.1.图像顶帽处理简介:
(1)顶帽运算是原图-开运算图，所以顶帽运算可以获得图像的噪声信息，或者得到比原始图的边缘更亮的边缘信息。
(2)顶帽运算cv2.MORPH_TOPHAT：也叫礼帽运算，原始图像-开运算结果 -- img-open(img)

5.2.图像顶帽处理代码

#%%
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子
tophat1_img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel1)
tophat2_img= cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,tophat1_img,tophat2_img]
titile=[u'Orignal Figure',u'Tophat Figure(k=9)',u'Tophat Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

5.3.图像顶帽处理效果

6.图像黑帽处理

6.1.图像黑帽处理简介

6.1.图像黑帽处理简介
（1）黑帽运算cv2.MORPH_BLACKHAT: 闭运算结果-原始图像 -- close(img)-img
（2）黑帽运算是闭运算图像-原始算图，所以黑帽运算可以获得图像内部的噪音，或者得到比原始图的边缘更暗的边缘信息。

6.2.图像黑帽处理代码

#%%
import cv2
import numpy as np
import matplotlib.pyplot as plt
img= cv2.imread(r'D:\HuaweiMoveData\Users\27182\Desktop\opencv\3.Binary image processing\lena.png')
kernel1= np.ones((9, 9), np.uint8)#9x9的卷积核子
kernel2= np.ones((15, 15), np.uint8)#15x15的卷积核子#闭运算两种核子
Blackhat1_img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel1)
Blackhat2_img= cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel2)#绘图
plt.figure(figsize=(10,8))
figure=[img,Blackhat1_img,Blackhat2_img]
titile=[u'Orignal Figure',u'Blackhat Figure(k=9)',u'Blackhat Figure(k=15)']
for i in range(3):plt.subplot(1,3,i+1)plt.imshow(figure[i])plt.title(titile[i])plt.xticks([]),plt.yticks([])

6.3.图像黑帽处理效果

7.参考文章与致谢

本章内容的完成离不开大佬们的文章/博客的启发和帮助，在这里列出名单，如果对于内容还有不懂的，可以移步对应的文章进行进一步的理解分析。
1.形态学操作的特点:https://blog.csdn.net/yxdd1gbk/article/details/91566586
2.Opencv形态学开闭运算:https://blog.csdn.net/qq_42856191/article/details/123670455
3.形态学处理:https://blog.csdn.net/zaishuiyifangxym/article/details/89791458
4.opencv学习笔记（八）：图像形态学操作:https://zhuanlan.zhihu.com/p/511628175
5.OPenCV技能树专栏:https://edu.csdn.net/skill/opencv/opencv-50c11401b1e8431c964f0771cfe7941b?category=658&typeId=20786
如果大家这这篇blog中有什么不明白的可以去他们的专栏里面看看，内容非常全面，应该能够有比较好的解答。
在文章的最后再次表达由衷的感谢！！