本篇博客主要是关于形态学中的腐蚀、膨胀、开运算、闭运算、礼帽和黑帽的函数用法。

内容会比较，为方便查阅。代码的解释会写在代码中。

用于测试的图像原图：

例如：

效果图：

可以发现：

　　相比于原图，腐蚀并没有变瘦，反而还“胖”了。

原因：

　　形态学处理是一个对二值化灰度图像的处理，主要是对白色图像的一个卷积操作。

　　由于原图字体是黑色，底色为白色，所以在进行腐蚀操作的时候，卷积核中只要有一个点为0，卷积核的中心点也会为0。

解决方法：

　　对原图像进行一个反向二值化处理，即将白色部分变为黑色，黑色部分变为白色

　　去掉上面代码ret,img2=cv.threshold(img,80,255,cv.THRESH_BINARY_INV)的注释，同时将erosion=cv.erode(img1,kernel,iterations=1)改为erosion=cv.erode(img2,kernel,iterations=1)

效果图：

如图所示：这样腐蚀处理的图像才会变瘦

膨胀：卷积核所对应的原图像的像素值只要有一个是1，中心像素值就是1。一般在除噪是，先腐蚀再膨胀，因为腐蚀在去除白噪声的时候也会使图像缩小，所以我们之后要进行膨胀。当然也可以用来将两者物体分开。

例如：

效果图：

 腐蚀和膨胀是比较简单的。

了解形态学基本处理的同学都知道，开运算和闭运算就是将腐蚀和膨胀按照一定的次序进行处理。但这两者并不是可逆的，即先开后闭并不能得到原先的图像。

例如：

效果图：

闭运算：就是先膨胀，后腐蚀，也是不可逆的。

效果图：

梯度运算，类似于提取轮廓。梯度=膨胀-腐蚀

例如：

效果图：

礼帽就是原始初入减去开运算结果

例如：

效果图：

黑帽=闭运算-原始输入

例如：

效果图：

实践出真知，博客的代码很完整，但还需要自己实际写一遍才能更加理解。