一、原理
无论是膨胀还是腐蚀，都是对白色区域(明亮区域)而言的。膨胀或者腐蚀操作都会有一个核，核的形状可以是圆形或者正方形，核在输入图像上滑动。膨胀是用核与二值图像元素做“与”运算，如果都为0，那么目标像素点为0，否则为1，这样的将会扩大1的区域，达到膨胀白色区域(明亮区域)的目的。腐蚀操作则相反，如果核与其覆盖区域都为1，那么目标像素点为1，否则为0，这样达到的效果是白色区域(明亮区域)会被削减，即腐蚀。
二、对灰度图或者二值图
对于灰度图和二值图：
膨胀：
膨胀可以扩大细节性特征，如：
左图是原图，我们可以看到周边其实是有一小圈红色圈的，经过膨胀操作后，即右图，红色圈更明显了。而且也符合膨胀原理，右图更加强调了明亮区域。
而且膨胀还有去除噪声的作用，如下图：
左边是原图，经过膨胀操作后，很多小点都没了，当然比较大的点还是有的，(下面会有更好的解决方法)。但是也可以通过修改迭代次数来解决这个问题，迭代次数就是核在在图片上遍历的次数，若迭代次数为1，那核就会从左到右，上到下划完整张图片一次，若迭代次数是 2，则会滑2次。一般默认的迭代次数是1。那我们看看把迭代次数修改成2后的效果：
黑洞是没了，但是可以看到，整个 j 也大了不少，因为膨胀了两次嘛。
腐蚀：
腐蚀可以去掉细节性特征：
如下图：
我们可以看到，一些毛刺没了，但是 j 也变得更小了，当然腐蚀也是可以增加迭代次数的。
我们看到下图，通过一次迭代后，一些细线没了。
然后我们试试把迭代次数改成8.
我们可以看到，连比较粗的线条都没有了。
三，对RGB图：
膨胀：
对于RGB图而言，膨胀会更多地保留明暗区域。（迭代次数为1）
迭代次数为5：
腐蚀：
对于RGB图而言，腐蚀则是更多地保留暗区域：（迭代次数为1）
迭代次数为5：
四，膨胀和腐蚀代码：
膨胀代码：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\car.jpg')
kernel = np.ones((5,5),np.uint8) #设置核的尺寸为 5x5
dialate = cv2.dilate(src,kernel,iterations=5)
cv2.imshow("src",src)
cv2.imshow("result",dialate)
cv2.waitKey(0)
cv2.destroyAllWindows()
腐蚀代码：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\car.jpg')
kernel = np.ones((5,5),np.uint8) #设置核的尺寸为 5x5
erosion = cv2.erode(src,kernel,iterations=1)
#print(erosion)
cv2.imshow("src",src)
cv2.imshow("result",erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
五，开运算和闭运算
1）开运算：先对图像腐蚀后膨胀。
作用：消除主体外的瑕疵部分，但不改变主体物体大小，不像腐蚀，虽然腐蚀可以消除瑕疵部分，但是主体部分也会变小。
但是开运算不适宜消除主体内的瑕疵：
可以看到，对主体内的瑕疵，开运算的效果并不行。
对于RGB图片，开运算的先腐蚀再膨胀，会使明亮部分丢失，所以图片会比较凸显颜色较暗的特征：
代码：
import cv2
import numpy as np
src = cv2.imread(r'C:\Users\Administrator\Desktop\pic\holej.jpg')
kernel = np.ones((5,5),np.uint8) #设置核的尺寸为 5x5
res = cv2.erode(src,kernel,iterations=1) #腐蚀
res = cv2.dilate(res,kernel,iterations=1) #膨胀
cv2.imshow("src",src)
cv2.imshow("result",res)
cv2.waitKey(0)
cv2.destroyAllWindows()
2）闭运算：先对图像膨胀后腐蚀
作用：用来填充物体内的小空洞，连接邻近的物体，连接断开的轮廓线，平滑其边界的同时不改变面积。
但是可以见到还是有瑕疵，我们接着把，腐蚀和膨胀的迭代次数提高到2：
可以看到瑕疵空洞已经没了。
对于RGB图片，闭运算的先膨胀再腐蚀，会使明亮部分增强，所以图片会比较凸显颜色较亮的特征：
代码：
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) #设置核的尺寸为 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、黑帽和顶帽
1）黑帽：
黑帽图像 = 闭运算图像 - 原图像
作用：得到前景中的瑕疵(小孔)
对于RGB图片：
代码：
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)
#黑帽处理
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）顶帽
顶帽图像 = 原始图像 - 开运算图像
作用：得到前境外的瑕疵
对于RGB图片：
代码：
import cv2
import numpy as np
def top_hat_demo(image):
'顶帽'
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()