形态学运算包括腐蚀，膨胀，开运算，闭运算，形态学梯度，顶帽运算，底帽运算7种，其中膨胀与腐蚀是最常用的两种基础形态学方法，可以用来消除噪声，元素分割和连接，形态学运算主要在图像去噪，图像分割等方面有着广泛的运用。
形态学指一系列处理图像形状特征的图像处理技术，形态学的基本思想是利用一种特殊的结构单元（本质上是卷积核）来测量或提取图像中相应的形状或特征，方面后续处理。 这些处理方法基本上是对二值图像（黑白图）进行处理，卷积核决定了图像处理后的效果。
1 图像二值化
二值化将图像的每个像素变成两种值，比如0，255。首先介绍全局二值化，整幅图像采用同一个数作为阈值，全局二值化的函数时threshold，thresh,dst = threshold(img, thresh, maxval, type) thresh是设定的阈值，maxval表示type参数为THRESH_BINARY或者THRESH_BINARY_INV时的最大值，type表示阈值类型，由ThresholdTypes定义（常用的THRESH_BINARY表示高于阈值的被设置为最大值maxval，低于阈值的被设置为0）。
import cv2
img =cv2.imread('./cat.jpg')
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
thresh,dst = cv2.threshold(gray_img,150,255,type=cv2.THRESH_BINARY) #返回值有两个，一个是阈值，一个是二值图像
cv2.imshow('img',gray_img)
cv2.imshow('dst',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
全局阈值对于一幅图像上的不同部分具有不同亮度时不适用，可以用自适应阈值，此时的阈值是根据图像上每一小块区域计算与其对应的阈值），因此在同一幅图像上的不同区域采用的是不同的阈值，这样能在亮度不同的情况下得到更好的结果。opencv中自适应阈值函数为 adaptiveThreshold，dst = adaptiveThreshold(img, maxval, adaptiveMethod, thresholdTypes, blocksize, C) maxval表示分配给满足条件的像素的非零像素值；adaptiveMethod表示自适应算法，有平均法（ADAPTIVE_THRESH_MEAN_C）和高斯法（ADAPTIVE_THRESH_GAUSSIAN_C）；thresholdType表示阈值类型，blocksize表示计算阈值的块的大小，C是常数。
import cv2
img =cv2.imread('./cat.jpg')
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = cv2.adaptiveThreshold(gray_img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
cv2.imshow('img',gray_img)
cv2.imshow('dst',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
2 腐蚀和膨胀
膨胀是求局部最大值的操作，就是将图像与核(全为1的卷积核)进行卷积，计算核矩阵覆盖区域的像素点的最大值，并把这个最大值赋值给参考点指定的元素，会使图像中的高亮区域逐渐增长。腐蚀是求局部最小值的操作，腐蚀操作会使图像中的高亮区逐渐减小。腐蚀：dst = erode(img, kernel, anchor=None, iterations=None) 腐蚀：dst = dilate(img, kernel, anchor=None, iteration=None) kernel表示用于运算的核结构，可以用numpy定义，也可以用opencv的getStructuringElement结构元。anchor表示锚点位置，默认是kernel对应区域的中心位置；iteration表示迭代次数。
img =cv2.imread('./dige.png') #读取二值图像（这里不是二维图像，是rgb图像，像素值只有（0，0，0）和（255，255，255）组成）
print(img.shape)
#img =cv2.imread('./book3.jpg')
# img[:] = 255-img[:] #图像颜色反转
kernel = np.ones((3,3),np.uint8) #用于运算的核矩阵（3*3）
#kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3)) #用cv构建的形态学卷积核，可以选择膨胀或腐蚀核的类型，矩形，椭圆，十字型
erode_img = cv2.erode(img,kernel,iterations=1) #腐蚀
dilate_img = cv2.dilate(img,kernel,iterations=1) #膨胀
cv2.imshow('img',img)
cv2.imshow('erode_img',erode_img)
cv2.imshow('dilate_img',dilate_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
3 其他形态学计算
形态学运算计算方法和用途简单归纳如下：
| 形态学运算 | 计算方法 | 用途 |
| 膨胀 | 核覆盖范围内的局部最大值 | 连通内部的小块区域，物体主体也会胀大 |
| 腐蚀 | 核覆盖范围内的局部最小值 | 消除斑点噪声，物体主体也会受到腐蚀 |
| 开运算 | 先腐蚀后膨胀 | 消除（图形外部的）噪点，去除小的干扰块，不影响原图 |
| 闭运算 | 先膨胀后腐蚀 | 消除“闭合”物体里面的孔洞（图形内部的噪点） |
| 形态学梯度 | 膨胀减去腐蚀 | 寻找图像边界 |
| 顶帽运算 | 原始图像减去开运算 | 提取明亮区域（提取主体外部噪声） |
| 底帽运算 | 闭运算减去原始图像 | 提取阴暗区域（提取主体内部孔洞） |
1）开运算和闭运算（MORPH_OPEN MORPH_CLOSE）
除了腐蚀和膨胀，其他形态学操作都可以用函数morphologyEx来定义，dst = morphologyEx(img, op, kernel, anchor=None, iterations=None) op 表示形态学操作类型，kernel表示形态学的核结构，anchor表示锚点位置，iterations表示迭代次数。（迭代次数和核结构的大小可以根据实际情况自行设置，核结构越大，迭代次数越多，去噪点能力越强，但是同时对主体的影响也会越大）
开运算和闭运算的例子如下：
import cv2 #开运算和闭运算：开运算：先腐蚀再膨胀操作；闭运算：先膨胀再腐蚀操作
import numpy as np #开运算：消除（图形外部的）噪点，去除小的干扰块，不影响原图； 闭运算：消除“闭合”物体里面的孔洞（图形内部的噪点）.
img2 =cv2.imread('./img2.jpg')
img3 =cv2.imread('./img3.jpg')
kernel = np.ones((7,7),np.uint8) #用于运算的核矩阵（3*3） 如果噪点比较多，可以把size设大一些
open_img = cv2.morphologyEx(img2,cv2.MORPH_OPEN,kernel,iterations=2) #开运算
close_img = cv2.morphologyEx(img3,cv2.MORPH_CLOSE,kernel,iterations=3) #闭运算
cv2.imshow('img_open',np.hstack([img2,open_img]))
cv2.imshow('img_close',np.hstack([img3,close_img]))
cv2.waitKey(0)
cv2.destroyAllWindows()
开运算可以消除小人外部的细小噪声而不影响主体大小，而闭运算可以消除小人内部的斑点，基本上不影响主体大小。
2）形态学梯度（MORPH_GRADIENT）
import cv2
import numpy as np # 梯度运算：膨胀-腐蚀，可以获取图像的边缘
img =cv2.imread('./dige.png')
kernel = np.ones((3,3),np.uint8) #用于运算的核矩阵（3*3）
erode_img = cv2.erode(img,kernel,iterations=1) #腐蚀
dilate_img = cv2.dilate(img,kernel,iterations=1) #膨胀
gradient = dilate_img - erode_img
gradient_img = cv2.morphologyEx(erode_img,cv2.MORPH_GRADIENT,kernel,iterations=1) #梯度运算函数
#img_g = cv2.bitwise_or(img,gradient_img) #原图与边缘进行或运算，可以达到图像边缘增强的目的
cv2.imshow('img',img)
cv2.imshow('gradient',gradient)
cv2.imshow('gradient_img',gradient_img)
#cv2.imshow('img_g',img_g)
cv2.waitKey(0)
cv2.destroyAllWindows()
从上面的结果可以看出，直接用形态学梯度函数的效果要比膨胀减去腐蚀的操作好一些，函数不会把边缘噪声统计进去，此外可以用原图与边缘进行或运算，可以达到图像边缘增强的目的。
3）顶帽和底帽（MORPH_TOPHAT MORPH_BLACKHAT）
import cv2
import numpy as np #顶帽和黑帽。 顶帽：原始图像 - 开运算结果；可以用来提取背景（图形外部的）噪声。
# 黑帽：闭运算 - 元素图像，用来分离比邻近点暗一些的斑块（提取图形内部的噪声）
img2 =cv2.imread('./img2.jpg')
img3 =cv2.imread('./img3.jpg')
kernel = np.ones((5,5),np.uint8) #用于运算的核矩阵（3*3）
tophat_img = cv2.morphologyEx(img2,cv2.MORPH_TOPHAT,kernel,iterations=2) #顶帽运算
blackhat_img = cv2.morphologyEx(img3,cv2.MORPH_BLACKHAT,kernel,iterations=3) #黑帽运算
cv2.imshow('tophat_img',np.hstack([img2,tophat_img]))
cv2.imshow('blackhat_img',np.hstack([img3,blackhat_img]))
cv2.waitKey(0)
cv2.destroyAllWindows()
窗口左边是原图，右边是对应的顶帽和底帽操作后的结果图。
4 小狗提取优化
上次提取下面图片的小狗时，把图像空间转换到了hsv空间，然后用通过hsv的掩膜提取了狗的图片（如下）：
大致看起来还是可以，但是跟原图比还是差了不少，主要是用颜色提取的掩膜还是不够理想，可以用形态学操作对提取的掩膜进行适当处理，比如用开运算去除小狗外部的少量噪声，用闭运算去除小狗内部的一些孔洞和细线，代码如下：
import cv2
import numpy as np #转换到HSV根据颜色提取roi区域 + 形态学处理
img = cv2.imread('./cat_dog.jpg')
print(img.shape)
HSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
H, S, V = cv2.split(HSV)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5)) #获取形态学运算结构
LowerBlue = np.array([0, 100, 150])
UpperBlue = np.array([20, 160, 240])
mask = cv2.inRange(HSV,LowerBlue,UpperBlue)
#mask = cv2.inRange(img,(70,90,160),(105,150,225))
#gas_mask = cv2.GaussianBlur(mask,(5,5),0.8)
dst_close = cv2.morphologyEx(mask,cv2.MORPH_CLOSE,kernel) #闭运算
dst_open = cv2.morphologyEx(dst_close,cv2.MORPH_OPEN,kernel) #开运算
dog = cv2.bitwise_and(img,img,mask=dst_open) #与运算获取roi区域
cv2.imshow('images',img)
cv2.imshow('mask',mask)
cv2.imshow('dst_close',dst_close)
cv2.imshow('dst_open',dst_open)
cv2.imshow('dog',dog)
cv2.waitKey(0)
cv2.destroyAllWindows()
处理后的小狗提取效果如下：
