原始图像：
函数：cv2.erode(),cv2.dilate(),cv2.morphotogyEx()
形态学转换原理：一般情况下对二值化图像进行操作。需要两个参数，一个是原始图像，第二个被称为结构化元素或者核，它是用来决定操作的性质的。基本操作为腐蚀和膨胀，他们的变体构成了开运算，闭运算，梯度等。
1.腐蚀
把前景物体的边界腐蚀掉，但是前景仍然是白色的。卷积核沿着图像滑动，如果与卷积核对应的原图像的所有像素值都是1，那么中心元素就保持原来的像素值，否则就变为零。根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为0），所以前景物体会变小，整幅图像的白色区域会减少。这对于去除白噪音很有用，也可以用来断开两个连在一块的物体。
~~~
import cv2
import numpy as np
img = cv2.imread('1024.jpg',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations=1)
while(1):
cv2.imshow('image',img)
cv2.imshow('erosion',erosion)
k=cv2.waitKey(1)
if k == ord('q'):#按q键退出
break
cv2.destroyAllWindows()
~~~
演示结果：
2.膨胀
与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是1，中心元素的像素值就是1。所以这个操作会增加图像中白色区域（前景）。一般在去噪音时先腐蚀再膨胀，因为腐蚀再去掉白噪音的同时，也会使前景对象变小，所以我们再膨胀。这时噪音已经被去除，不会再回来了，但是前景还在并会增加，膨胀也可以用来连接两个分开的物体。
~~~
dilation = cv2.dilation(img,kernel,iterations=1)
~~~
3.开运算
先进行腐蚀再进行膨胀就叫做开运算。被用来去除噪音，函数可以使用cv2.morphotogyEx()
~~~
opening = cv2.morphotogyEx(img,cv2.MORPH_OPEN,kernel)
~~~
4.闭运算
先膨胀再腐蚀。被用来填充前景物体中的小洞，或者前景上的小黑点。
~~~
closing = cv2.morphotogyEx(img,cv2.MORPH_CLOSE,kernel)
~~~
5.形态学梯度
其实就是一幅图像膨胀与腐蚀的差别。
结果看上去就像前景物体的轮廓。
~~~
gradient = cv2.morphotogyEx(img,cv2.MORPH_GRADIENT,kernel)
~~~
6.礼帽
原始图像与进行开运算之后得到的图像的差。
~~~
tophat = cv2.morphotogyEx(img,cv2.MORPH_TOPHAT,kernel)
~~~
7.黑帽
进行闭运算之后得到的图像与原始图像的差。
~~~
blackhat = cv2.morphotogyEx(img,cv2.MORPH_BLACKHAT,kernel)
~~~
8.形态学操作之间的关系及结构化元素
形态学操作之间的关系
结构化元素
之前的例子都是使用numpy构建了结构化元素，但是是正方形的，若需要构建椭圆或者圆形的核，可以使用OpenCV提供的函数cv2.getStructuringElemenet()，只需要告诉它你需要的核的形状和大小。
