OpenCV提供了一种高效且易用的图像形态学变换接口。基本上，所有的形态学操作都基于两种原始操作，接下来的讲述也将以这两点开始、循序渐进发展到更加复杂的操作，每个更加复杂的操作都将通过前面的方法来表示。

1. 膨胀和腐蚀

膨胀和腐蚀是最基础的形态学变换，可以应用到许多方面，比如消除噪声、元素分割和连接等。

膨胀是一种卷积操作，将目标像素的值替换为卷积核覆盖区域的局部最大值。这是一个非线性核的例子。通常膨胀采用的核是一个四边形或圆形的实心核，其锚点在中心。膨胀的作用是使图中填充区域。

与膨胀对应的，腐蚀是与之相反的操作，腐蚀操作计算的是核覆盖范围内的局部最小值。

膨胀和腐蚀的效果可以参考如下：

总的来说，膨胀扩张了明亮区域，腐蚀缩减了明亮区域。
膨胀填充凹面，腐蚀消除突起。

OpenCV提供函数cv::erode()实现腐蚀，提供函数cv::dilate()实现膨胀。

函数原型：

void cv::erode(
	cv::InputArray src,
	cv::OutputArray dst,
	cv::InputArray element,
	cv::Point anchor = cv::Point(-1, -1),
	int iterations = 1,
	int borderType = cv::BORDER_CONSTANT,
	const cv::Scalar& borderValue = cv::morphologyDefaultBorderValue()
);
void cv::dilate(
	cv::InputArray src,
	cv::OutputArray dst,
	cv::InputArray element,
	cv::Point anchor = cv::Point(-1,-1),
	int iterations = 1,
	int borderType = cv::BORDER_CONSTANT,
	const cv::Scalar& borderValue = cv::morphologyDefaultBorderValue()
);

cv::erode()和cv::dilate()都需要传入源图像和目标图像，并且都支持就地调用（即源图像和目标图像是同一幅图像）。
参数element是核，可以向它传递一个未被初始化的cv::Mat()，但会导致函数使用默认的锚点在中心的3 x 3核。
参数iterations是迭代次数，如果不为1，会自动重复多次调用这个函数。
参数borderType是边框类型，borderType = cv::BORDER_CONST时，边缘像素会填入borderValue。

腐蚀操作通常用于消除图中斑点一样的噪声，原理是斑点经过腐蚀后会消失，而大的可见区域不会收到影响。
膨胀操作通常用于发现连通分支（大的颜色或强度相似像素的离散区域）。膨胀出现的原因，在许多情况下，由于噪声或者阴影等因素，大的区域可能被分解成多个分支，一些细微的膨胀会导致这些分支相遇并组合成一个整体。

cv::erode()函数运行时，函数内部发生的是将点p处的值设置成核与点p对齐后覆盖区域的最小值，而cv::dilate()是将最小值替换成最大值。

如下是腐蚀和膨胀的示例：

2. 通用形态学函数

当处理的对象是二值图像和像素只可能是开（＞0）或关（＝0）的图像掩膜时，基本的腐蚀和膨胀操作就够用了，需要对灰度图或彩色图进行处理时，一些其它的操作就非常有用，这些操作可以通过函数cv::morphologyEx()实现，函数原型：

void cv::morphologyEx(
	cv::InputArray src,  // input image
	cv::OutputArray dst,  // result image
	int op,  // operator(eg. cv::MOP_OPEN)
	cv::InputArray element,  // structing element,cv::Mat()
	cv::Point anchor = cv::Point(-1,-1),  // location of anchor point
	int iterations = 1,  // number of times to apply
	int borderType = cv::BORDER_DEFAULT,  // border extrapolation
	const cv::Scalar& borderValue = cv::morphologyDefaultBorderValue()  // 
);

参数op用于指定函数将进行的操作，可选的值如下：

2.1 开操作和闭操作

开操作和闭操作实际上是腐蚀和膨胀操作的组合。

• 开操作先将图像腐蚀，然后对腐蚀结果膨胀。常用于对二值图像中的区域进行计数。例如，对显微镜载玻片上的细胞的图像做了阈值化处理，在对区域进行计数之前，需要用开操作来将相互靠的很近的细胞分开。
• 闭操作先将图像进行膨胀，然后对膨胀的结果进行腐蚀。闭操作用于复杂连通分支算法中减少无用或噪声驱动的片段。对于连通分支，通常先进性腐蚀或闭操作消除噪声，然后通过开操作连接相互靠近的大型区域。

对一幅非布尔类型的图像进行形态学操作时，闭操作最明显的效果是消除值小于邻域内的点的孤立异常值，开操作是消除大于邻域内的孤立异常值。

开操作和闭操作的iterations参数，两次的闭操作的迭代不是膨胀-腐蚀-膨胀-腐蚀，而是膨胀-膨胀-腐蚀-腐蚀，这样做不但可以消除孤立的异常值，也能消除邻域内的异常值。

开操作和闭操作对图像的结果如下：

2.2 形态学梯度

形态学梯度可以用如下表达式描述：

gradient(src) = dilate(src) – erode(src)

对于灰度图像，其结果就是计算明暗变换的趋势。形态学梯度通常用于显示明亮区域的边界，然后可以将它们看作目标或者目标的部分。用扩张的图像减去收缩的图像，这样就找出了完整的边界。

形态学梯度操作后的效果如下：

 操作后的效果类似边缘检测???

2.3 顶帽和黑帽

顶帽和黑帽操作分别用于显示与其邻域相比更亮或更暗的部分。

当试图根据物体的亮度变化分离依附于物体的某些部分时，就会用到这些方法，在生物体或细胞的显微镜图像上经常会用到这些方法。这两种操作都是根据如下基础操作定义的：

TopHat(src) = src – open(src)  // Isolate brighter
BlackHat(src) = close(src) – src  // Isolate dimmer

顶帽操作用源图像减去对其开操作后的图像，开操作的效果是放大裂缝和局部小洞，用源图像减去对其开操作后的图像得到了比源图像更亮的环绕部分。

顶帽操作显示的是比源图像更亮的环绕部分。
黑帽操作显示的是比源图像更暗的环绕部分。

如下分别是顶帽操作和黑帽操作后的结果：

3. 自定义核

OpenCv可以创建自己的核，在形态学上，核常称为构造元素。供开发者创建自定义形态学核的函数叫cv::getStructuringElement()。

一般常用的是非矩形核，是一种非常规形状，函数cv::getStructuringElement()原型如下：

cv::Mat cv::getStructuringElement(
	int shape,  // element shape,eg,cv::MORPH_RECT
	cv::Size ksize,  // sizeof structuring element (odd num!)
	cv::Point anchor = cv::Point(-1,-1)  // location of anchor point
);

参数shape控制构造元素的基本形状；
参数ksize和anchor确定元素的大小和锚点位置。通常，anchor默认位cv::Point(-1,-1)，，表示cv::getStructuringElement()默认锚点在元素中心。

参数shape的形状如下：

 cv::MORPH_CROSS是为旧版接口留下的。