目录

一、开运算

二、闭运算

三、形态学梯度

---

开运算和闭运算都是腐蚀和膨胀的基本应用。

一、开运算

开运算 = 腐蚀+膨胀(腐蚀之后再膨胀)

开运算提供了另一种去除噪声的思路。（腐蚀先进行去噪，膨胀再还原图像）

通过API --- morphologyEx（img， MORPH_OPEN， kernel）

• MORPH_OPEN 表示形态学的开运算
• kernel 如果噪点比较多，会选择大一点的kernel， 如果噪点比较小，可以选择小点的kernel

示例代码如下：

import cv2
import numpy as np
cv2.namedWindow("img", cv2.WINDOW_NORMAL)
cv2.resizeWindow("img", 640, 480)
img = cv2.imread("i.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# # 先腐蚀
# new_img = cv2.erode(img, kernel, iterations=1)
# # 后膨胀
# new_img = cv2.dilate(new_img, kernel, iterations=1)
new_img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1)
cv2.imshow("img", np.hstack((img, new_img)))
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：

经测试我们可以发现，对图片进行先腐蚀后膨胀的操作与直接进行开运算的操作效果一样。 

且开运算能有效去除图片中的噪声，为我们提供一种新的去除噪声的方法。

二、闭运算

闭运算 = 膨胀+腐蚀（膨胀之后再腐蚀）

膨胀会对噪声的变大，再进行腐蚀操作可以去除图片内部的噪声点

通过使用同样的API --- morphologyEx对其进行操作，改为MORPH_CLOSE

若是imread没有去读到东西是不会报错的，只会返回一个None

示例代码如下：

import cv2
import numpy as np
cv2.namedWindow("img", cv2.WINDOW_NORMAL)
cv2.resizeWindow("img", 640, 480)
img = cv2.imread("is.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 闭运算
new_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=1)
cv2.imshow("img", np.hstack((img, new_img)))
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：

三、形态学梯度

梯度 = 原图-腐蚀

腐蚀之后原图边缘变小，原图 - 腐蚀就可以得到腐蚀掉的部分，即边缘。

若腐蚀的部分越少，则得到的边缘部分越多。

通过使用同样的API --- morphologyEx对其进行操作，改为MORPH_GRADIENT

示例代码如下：

import cv2
import numpy as np
cv2.namedWindow("img", cv2.WINDOW_NORMAL)
cv2.resizeWindow("img", 640, 480)
img = cv2.imread("iii.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 形态学梯度
new_img = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel, iterations=1)
cv2.imshow("img", np.hstack((img, new_img)))
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：