解析形态学基本操作：腐蚀、膨胀、开/闭运算

时隔一个月 小李又上线了！拖延症晚期实锤了。
原本教资考完要更 结果考完心态不是很好 所以拖了…上礼拜要更 结果头摔破了 所以又拖到了这周…三月是没有断更了，但过得太艰难了，希望接下来都顺利！
今天就记录一下在图像处理中形态学的几个操作。

图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。
膨胀类似“领域扩张”，将图像的高亮区域或白色部分扩张，运行结果图比原图的高亮区域更大；
腐蚀类似“领域被蚕食”，将图像的高亮区域或白色部分缩减细化，运行结果图比原图的高亮区域更小。

1.图像膨胀

公式：

膨胀原理：求局部最大值；
①定义一个卷积核B，
核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；
通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；
②将核B与图像A进行卷积，计算核B覆盖区域的像素点最大值；
③将这个最大值赋值给参考点指定的像素；

因此，图像中的高亮区域逐渐增长。也可理解为把图像变胖
二值化图，只有0和255，所以小区域内有一个是局部最大像素点就为255：

2.图像腐蚀

公式：

腐蚀：局部最小值(与膨胀相反)；
①定义一个卷积核B，
核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；
通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；
②将核B与图像A进行卷积，计算核B覆盖区域的像素点最小值；
③将这个最小值赋值给参考点指定的像素；
因此，图像中的高亮区域逐渐减小。也可理解为图像变瘦。
二值化图，只有0和255，所以小区域内有一个是0该像素点就为0：

对比效果（膨胀VS腐蚀）

3.图像开/闭运算

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。

开运算：先腐蚀后膨胀
作用：分离物体，消除小区域，常用于去除噪声
闭运算：先膨胀后腐蚀
作用：常用于填充前景物体中的小洞，或者前景物体上的小黑点.

代码

"""
腐蚀
cv2.erode(src,                     # 输入图像
      kernel,                  # 卷积核
      dst=None, 
      anchor=None,
      iterations=None,         # 迭代次数，默认1
      borderType=None,
      borderValue=None) 

膨胀
cv2.dilate(src,                    # 输入图像
           kernel,                 # 卷积核
           dst=None, 
           anchor=None, 
           iterations=None,        # 迭代次数，默认1
           borderType=None, 
           borderValue=None)
"""

import cv2
import numpy as np
original_img = cv2.imread('F:/image/8.jpg')
res = cv2.resize(original_img,None,fx=0.6, fy=0.6,
                 interpolation = cv2.INTER_CUBIC) #图形太大了缩小一点
B, G, R = cv2.split(res)                    #获取红色通道
img = R
_,RedThresh = cv2.threshold(img,160,255,cv2.THRESH_BINARY)
#OpenCV定义的结构矩形元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
eroded = cv2.erode(RedThresh,kernel)        #腐蚀图像
dilated = cv2.dilate(RedThresh,kernel)      #膨胀图像
cv2.imshow("original_img", res)             #原图像
cv2.imshow("Eroded Image",eroded)           #显示腐蚀后的图像
cv2.imshow("Dilated Image",dilated)         #显示膨胀后的图像

#NumPy定义的结构元素
NpKernel = np.uint8(np.ones((3,3)))
Nperoded = cv2.erode(RedThresh,NpKernel)       #腐蚀图像
cv2.imshow("Eroded by NumPy kernel",Nperoded)  #显示腐蚀后的图像
cv2.waitKey(0)
cv2.destroyAllWindows()

original_img = cv2.imread('F:/image/8.jpg',0)
gray_res = cv2.resize(original_img,None,fx=0.8,fy=0.8,
                 interpolation = cv2.INTER_CUBIC)                #图形太大了缩小一点
# B, G, img = cv2.split(res)
# _,RedThresh = cv2.threshold(img,160,255,cv2.THRESH_BINARY)     #设定红色通道阈值160（阈值影响开闭运算效果）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))         #定义矩形结构元素

closed1 = cv2.morphologyEx(gray_res, cv2.MORPH_CLOSE, kernel,iterations=1)    #闭运算1
closed2 = cv2.morphologyEx(gray_res, cv2.MORPH_CLOSE, kernel,iterations=3)    #闭运算2
opened1 = cv2.morphologyEx(gray_res, cv2.MORPH_OPEN, kernel,iterations=1)     #开运算1
opened2 = cv2.morphologyEx(gray_res, cv2.MORPH_OPEN, kernel,iterations=3)     #开运算2
gradient = cv2.morphologyEx(gray_res, cv2.MORPH_GRADIENT, kernel)             #梯度

#显示如下腐蚀后的图像
cv2.imshow("Close1",closed1)
cv2.imshow("Close2",closed2)
cv2.imshow("Open1", opened1)
cv2.imshow("Open2", opened2)
cv2.waitKey(0)
cv2.destroyAllWindows()

END 三月顺利鸭~
参考（https://www.jianshu.com/p/05ef50ac89ac）
（https://blog.csdn.net/wsp_1138886114/article/details/82917661）
（https://www.aiuai.cn/aifarm350.html）