erodeResize = cv2.imread('Picture/ErodeResize.png')
ksize = 1
kernel = np.ones((ksize,ksize),np.uint8)
iteration = 1

def On_Tracker(value):
    
    iteration = cv2.getTrackbarPos('Iteration','Orgin Vs Erode')
    ksize = cv2.getTrackbarPos('ksize','Orgin Vs Erode')
    kernel = np.ones((ksize,ksize),np.uint8)
    erode = cv2.erode(erodeResize,kernel,iterations = iteration)
    res = np.hstack((erodeResize,erode))
    cv2.imshow('Orgin Vs Erode',res)

erode = cv2.erode(erodeResize,kernel,iteration)
cv2.namedWindow('Orgin Vs Erode')
cv2.createTrackbar('ksize','Orgin Vs Erode',1,7,On_Tracker)
cv2.createTrackbar('Iteration','Orgin Vs Erode',1,5,On_Tracker)
cv2.setTrackbarMin('ksize','Orgin Vs Erode',1)
cv2.setTrackbarMin('Iteration','Orgin Vs Erode',1)
res = np.hstack((erodeResize,erode))
cv2.imshow('Orgin Vs Erode',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

大家可以自行滑动上方的滑动条来查看效果

膨胀

简介

膨胀操作与腐蚀操作相反。在膨胀操作中，如果内核下至少有一个像素是最大值，那么该像素就会被设为最大值。因此，它增加了图像中的白色区域，或者说增加了前景目标对象的尺寸大小。通常情况下，在去除噪声后，在腐蚀操作之后就是膨胀。因为腐蚀消除了白色的噪音，但它也缩小了我们的前景物体，所以我们需要扩大回它。因为当噪音消失了，原本应该存在的白色面积也不会自主回来。而且膨胀在连接物体的破碎部分时也很有用。

一句话概括

增加白色区域，连接破碎部分

案例

kernel = np.ones((2,2),np.uint8)
erodeResize = cv2.imread('Picture/ErodeResize.png')
erode = cv2.erode(erodeResize,kernel,iterations=2)
cv2.imwrite('Picture/OneErode.png',erode)

保存一张2内核迭代2次的侵蚀图像

我们可以明显看到侵蚀完之后那些毛刺确实没有了但是字体也变模糊了，甚至有些位置被侵蚀的段落了，这时候我们就可以用膨胀操作回来，毛刺因为本身就是多出来的所以膨胀是不会把毛刺变回来的。

def On_Tracker_Dilate(value):
    ksize = cv2.getTrackbarPos('Kernel','Dilate')
    iteration = cv2.getTrackbarPos('Iteration','Dilate')
    kernel = np.ones((ksize,ksize),np.uint8)
    dilate = cv2.dilate(origin,kernel,iterations=iteration)
    res = np.hstack((origin,dilate))
    cv2.imshow('Dilate',res)

ksize = 1
iteration = 1
kernel = np.ones((ksize,ksize),np.uint8)
origin = cv2.imread('Picture/OneErode.png')
cv2.namedWindow('Dilate')
dilate = cv2.dilate(origin,kernel,iterations=iteration)
cv2.createTrackbar('Kernel','Dilate',1,10,On_Tracker_Dilate)
cv2.createTrackbar('Iteration','Dilate',1,10,On_Tracker_Dilate)
cv2.setTrackbarMin('Kernel','Dilate',1)
cv2.setTrackbarMin('Iteration','Dilate',1)
res = np.hstack((origin,dilate))
cv2.imshow('Dilate',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

自己拖动滑动条就可以看见效果了

开、闭运算

简介

开运算：先腐蚀后膨胀

闭运算：先膨胀后腐蚀

案例

def On_Track_OpenAndClose(value):
    ksize = cv2.getTrackbarPos('Kernel','Opening And Closing')
    kernel = np.ones((ksize,ksize),np.uint8)
    itertion = cv2.getTrackbarPos('Iteration','Opening And Closing')
    opening = cv2.morphologyEx(origin,cv2.MORPH_OPEN,kernel=kernel,iterations=itertion)
    closing = cv2.morphologyEx(origin,cv2.MORPH_CLOSE,kernel=kernel,iterations=itertion)
    res = np.hstack((origin,opening,closing))
    cv2.imshow('Opening And Closing',res)
ksize = 1
itertion = 1
kernel = np.ones((ksize,ksize),np.uint8)
origin = cv2.imread('Picture/ErodeResize.png')
cv2.namedWindow('Opening And Closing')
cv2.createTrackbar('Kernel','Opening And Closing',1,10,On_Track_OpenAndClose)
cv2.createTrackbar('Iteration','Opening And Closing',1,10,On_Track_OpenAndClose)
cv2.setTrackbarMin('Kernel','Opening And Closing',1)
cv2.setTrackbarMin('Iteration','Opening And Closing',1)
opening = cv2.morphologyEx(origin,cv2.MORPH_OPEN,kernel=kernel,iterations=itertion)
closing = cv2.morphologyEx(origin,cv2.MORPH_CLOSE,kernel=kernel,iterations=itertion)
res = np.hstack((origin,opening,closing))
cv2.imshow('Opening And Closing',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

其实在这个地方不应该设置滑动条看效果的，因为这边是一个函数，迭代次数的增加只是变成了做了多少次开闭运算，而不是侵蚀多少次后膨胀多少次那些，但我已经不想再去一个一个找具体数值来找到最好的效果，教学视频可以一次一次，一次一次讲，但文章专栏只能设置滑动条让你们自己尝试

形态学梯度

简介

形态学梯度是图像膨胀与腐蚀的差值。它可以用来突出图像中的边缘和轮廓。具体来说，膨胀操作会增加图像中的白色区域，而腐蚀操作会减少图像中的白色区域。因此，当我们从膨胀后的图像中减去腐蚀后的图像时，只有边缘处的像素值才会有所不同，而其他地方的像素值都为0。这样，形态学梯度就可以突出图像中的边缘和轮廓。

一句话概括

膨胀 - 腐蚀 = 梯度

得到边界变换信息

案例

def On_Track_Gradient(value):
    kernel = np.ones((cv2.getTrackbarPos('Kernel','Gradient'),cv2.getTrackbarPos('Kernel','Gradient')),np.uint8)
    gradient = cv2.morphologyEx(origin,cv2.MORPH_GRADIENT,kernel=kernel)
    res = np.hstack((origin,gradient))
    cv2.imshow('Gradient',res)
ksize = 2
kernel = np.ones((ksize,ksize),np.uint8)
origin = cv2.imread('Picture/ErodeResize.png')
cv2.namedWindow('Gradient')
cv2.createTrackbar('Kernel','Gradient',2,10,On_Track_Gradient)
cv2.setTrackbarMin('Kernel','Gradient',2)
gradient = cv2.morphologyEx(origin,cv2.MORPH_GRADIENT,kernel=kernel)
res = np.hstack((origin,gradient))
cv2.imshow('Gradient',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

可以相当明显的看到边界

礼帽(顶帽)与黑帽

简介

礼帽操作，也称为顶帽操作，是原始图像与其开运算之后的图像之差。它可以用来突出比原始图像周围亮度更低的细节，例如去除不均匀光照的影响。

黑帽操作是闭运算后的图像与原始图像之差。它可以用来突出比原始图像周围亮度更高的细节。

一句话概括

礼帽 = 原始输入-开运算

黑帽 = 闭运算-原始输入

案例

kernel = np.ones((3,3),np.uint8)
origin = cv2.imread('Picture/ErodeResize.png')
topHat = cv2.morphologyEx(origin,cv2.MORPH_TOPHAT,kernel=kernel)
blackHat = cv2.morphologyEx(origin,cv2.MORPH_BLACKHAT,kernel=kernel)
res = np.hstack((origin,topHat,blackHat))
cv2.imshow('TopHat And BlackHat',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

此处你们可自行尝试如何实现交互的滑动条