一、原理
無論是膨脹還是腐蝕，都是對白色區域(明亮區域)而言的。膨脹或者腐蝕操作都會有一個核，核的形狀可以是圓形或者正方形，核在輸入圖像上滑動。膨脹是用核與二值圖像元素做“與”運算，如果都為0，那麼目标像素點為0，否則為1，這樣的将會擴大1的區域，達到膨脹白色區域(明亮區域)的目的。腐蝕操作則相反，如果核與其覆寫區域都為1，那麼目标像素點為1，否則為0，這樣達到的效果是白色區域(明亮區域)會被削減，即腐蝕。
二、對灰階圖或者二值圖
對于灰階圖和二值圖：
膨脹：
膨脹可以擴大細節性特征，如：
左圖是原圖，我們可以看到周邊其實是有一小圈紅色圈的，經過膨脹操作後，即右圖，紅色圈更明顯了。而且也符合膨脹原理，右圖更加強調了明亮區域。
而且膨脹還有去除噪聲的作用，如下圖：
左邊是原圖，經過膨脹操作後，很多小點都沒了，當然比較大的點還是有的，(下面會有更好的解決方法)。但是也可以通過修改疊代次數來解決這個問題，疊代次數就是核在在圖檔上周遊的次數，若疊代次數為1，那核就會從左到右，上到下劃完整張圖檔一次，若疊代次數是 2，則會滑2次。一般預設的疊代次數是1。那我們看看把疊代次數修改成2後的效果：
黑洞是沒了，但是可以看到，整個 j 也大了不少，因為膨脹了兩次嘛。
腐蝕：
腐蝕可以去掉細節性特征：
如下圖：
我們可以看到，一些毛刺沒了，但是 j 也變得更小了，當然腐蝕也是可以增加疊代次數的。
我們看到下圖，通過一次疊代後，一些細線沒了。
然後我們試試把疊代次數改成8.
我們可以看到，連比較粗的線條都沒有了。
三，對RGB圖：
膨脹：
對于RGB圖而言，膨脹會更多地保留明暗區域。（疊代次數為1）
疊代次數為5：
腐蝕：
對于RGB圖而言，腐蝕則是更多地保留暗區域：（疊代次數為1）
疊代次數為5：
四，膨脹和腐蝕代碼：
膨脹代碼：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\car.jpg')
kernel = np.ones((5,5),np.uint8) #設定核的尺寸為 5x5
dialate = cv2.dilate(src,kernel,iterations=5)
cv2.imshow("src",src)
cv2.imshow("result",dialate)
cv2.waitKey(0)
cv2.destroyAllWindows()
腐蝕代碼：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\car.jpg')
kernel = np.ones((5,5),np.uint8) #設定核的尺寸為 5x5
erosion = cv2.erode(src,kernel,iterations=1)
#print(erosion)
cv2.imshow("src",src)
cv2.imshow("result",erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
五，開運算和閉運算
1）開運算：先對圖像腐蝕後膨脹。
作用：消除主體外的瑕疵部分，但不改變主體物體大小，不像腐蝕，雖然腐蝕可以消除瑕疵部分，但是主體部分也會變小。
但是開運算不适宜消除主體内的瑕疵：
可以看到，對主體内的瑕疵，開運算的效果并不行。
對于RGB圖檔，開運算的先腐蝕再膨脹，會使明亮部分丢失，是以圖檔會比較凸顯顔色較暗的特征：
代碼：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\holej.jpg')
kernel = np.ones((5,5),np.uint8) #設定核的尺寸為 5x5
res = cv2.erode(src,kernel,iterations=1) #腐蝕
res = cv2.dilate(res,kernel,iterations=1) #膨脹
cv2.imshow("src",src)
cv2.imshow("result",res)
cv2.waitKey(0)
cv2.destroyAllWindows()
2）閉運算：先對圖像膨脹後腐蝕
作用：用來填充物體内的小空洞，連接配接鄰近的物體，連接配接斷開的輪廓線，平滑其邊界的同時不改變面積。
但是可以見到還是有瑕疵，我們接着把，腐蝕和膨脹的疊代次數提高到2：
可以看到瑕疵空洞已經沒了。
對于RGB圖檔，閉運算的先膨脹再腐蝕，會使明亮部分增強，是以圖檔會比較凸顯顔色較亮的特征：
代碼：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\car.jpg')
#src = cv2.resize(src,(512,512))
kernel = np.ones((5,5),np.uint8) #設定核的尺寸為 5x5
res=src
res = cv2.dilate(res,kernel,iterations=1)
res = cv2.erode(res,kernel,iterations=1)
cv2.imshow("src",src)
cv2.imshow("result",res)
cv2.waitKey(0)
cv2.destroyAllWindows()
六、黑帽和頂帽
1）黑帽：
黑帽圖像 = 閉運算圖像 - 原圖像
作用：得到前景中的瑕疵(小孔)
對于RGB圖檔：
代碼：
import cv2
import numpy as np
def black_hat_demo(image):
'黑帽'
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
kernel = np.ones((5, 5), np.uint8)
open = cv2.erode(cv2.dilate(gray,kernel,iterations=2),kernel,iterations=2)
cv2.imshow("close",open)
#黑帽處理
dst=cv2.morphologyEx(gray,cv2.MORPH_BLACKHAT,kernel,iterations=2)
cv2.imshow('black_hat',dst)
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\holej.jpg')
cv2.imshow("src", src)
black_hat_demo(src)
cv2.waitKey(0)
cv2.destroyAllWindows()
2）頂帽
頂帽圖像 = 原始圖像 - 開運算圖像
作用：得到前境外的瑕疵
對于RGB圖檔：
代碼：
import cv2
import numpy as np
def top_hat_demo(image):
'頂帽'
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
kernel = np.ones((5, 5), np.uint8)
open = cv2.dilate(cv2.erode(gray, kernel, iterations=2), kernel, iterations=2)
cv2.imshow("open", open)
dst = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, kernel, iterations=2)
cv2.imshow('top_hat', dst)
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\car.jpg')
src = cv2.resize(src,(512,512))
cv2.imshow("src", src)
top_hat_demo(src)
cv2.waitKey(0)
cv2.destroyAllWindows()