圖像的形態(tài)學處理是以數(shù)學形態(tài)學為理論基礎，借助數(shù)學對圖像進行形態(tài)圖像處理的技術。

數(shù)學形態(tài)學由一組形態(tài)學代數(shù)算子組成，最基本的形態(tài)學代數(shù)算子包括腐蝕、膨脹、開運算、閉運算等。通過組合應用這些算子，可以實現(xiàn)對圖像形狀、結構的分析和處理。數(shù)學形態(tài)學可以完成圖像分割、特征提取、邊界檢測、圖像濾波、圖像增強和恢復等工作。

數(shù)學形態(tài)學（Mathematical morphology） 是一門建立在格論和拓撲學基礎之上的圖像分析學科，是數(shù)學形態(tài)學圖像a處理的基本理論。其基本的運算包括：二值腐蝕和膨脹、二值開閉運算、骨架抽取、極限腐蝕、擊中擊不中變換、形態(tài)學梯度、Top-hat變換、顆粒分析、流域變換、灰值腐蝕和膨脹、灰值開閉運算、灰值形態(tài)學梯度等。

膨脹與腐蝕(Dilation與Erosion)。

膨脹與腐蝕能實現(xiàn)多種多樣的功能，主要如下：

? 消除噪聲

? 分割(isolate)出獨立的圖像元素，在圖像中連接(join)相鄰的元素。

? 尋找圖像中的明顯的極大值區(qū)域或極小值區(qū)域

? 求出圖像的梯度

㈠圖像的膨脹(dilate)

膨脹在數(shù)學形態(tài)學運算中的作用是擴展物體的邊界點。在數(shù)字圖像處理中，對于確定的結構元素，通過膨脹運算可以對于一些相臨距離較短的區(qū)域進行連接。不過，圖像的膨脹處理是雜點敏感的，細小的雜點通過膨脹處理往往會變得較為明顯。

膨脹的原理：       

在數(shù)學形態(tài)學中，設A為(x,y)平面上一目標區(qū)域，S為指定大小和形狀的結構元素，定義位于坐標(x，y)上的結構元素S所標識的區(qū)域為S（x，y），那么對于A的膨脹結果可以表示為：

其實，膨脹就是求局部最大值的操作。

按數(shù)學方面來說，膨脹或者腐蝕操作就是將圖像（或圖像的一部分區(qū)域，我們稱之為A）與核（我們稱之為B）進行卷積。

核可以是任何的形狀和大小，它擁有一個單獨定義出來的參考點，我們稱其為錨點（anchorpoint）。多數(shù)情況下，核是一個小的中間帶有參考點和實心正方形或者圓盤，其實，我們可以把核視為模板或者掩碼。

而膨脹就是求局部最大值的操作，核B與圖形卷積，即計算核B覆蓋的區(qū)域的像素點的最大值，并把這個最大值賦值給參考點指定的像素。這樣就會使圖像中的高亮區(qū)域逐漸增長。如下圖所示，這就是膨脹操作的初衷。

㈡圖像的腐蝕(Erosion)

腐蝕在數(shù)學形態(tài)學運算中的作用是消除物體的邊界點。在數(shù)字圖像處理中，對于確定的結構元素，通過腐蝕運算可以消除小于結構元素的點。同時，若一個目標區(qū)域中含有細小的連接部分，那么通過腐蝕處理可以對區(qū)域進行分割。

在數(shù)學形態(tài)學中，設A為(x,y)平面上一目標區(qū)域，S為指定大小和形狀的結構元素，定義位于坐標(x，y)上的結構元素S所標識的區(qū)域為S（x，y），那么對于A的腐蝕結果可以表示為：腐蝕的原理：

對于相同的圖像，用不同的結構元素進行腐蝕操作的結果是不同的，因此結構元素的形狀和大小往往直接決定了腐蝕操作的性能和效果。

再來看一下腐蝕，大家應該知道，膨脹和腐蝕是一對好基友，是相反的一對操作，所以腐蝕就是求局部最小值的操作。

我們一般都會把腐蝕和膨脹對應起來理解和學習。下文就可以看到，兩者的函數(shù)原型也是基本上一樣的。 

原理圖：

利用基本的膨脹和腐蝕技術，來執(zhí)行更加高級的形態(tài)學變換，如開閉運算、形態(tài)學梯度、“頂帽”、“黑帽”等等。

理論與概念講解——從現(xiàn)象到本質(zhì)

首先呢，要知道形態(tài)學的高級形態(tài)，往往都是建立在腐蝕和膨脹這兩個基本操作之上的。

㈢開運算（Opening Operation）

開運算（Opening Operation），其實就是先腐蝕后膨脹的過程。 其數(shù)學表達式如下：

開運算可以 用來消除小物體、在纖細點處分離物體、平滑較大物體的邊界的同時并不明顯改變其面積。效果圖是這樣的：

㈣閉運算(Closing Operation)

先膨脹后腐蝕的過程稱為閉運算(Closing Operation)，其數(shù)學表達式如下：

㈤形態(tài)學梯度（MorphologicalGradient）

形態(tài)學梯度（Morphological Gradient）為膨脹圖與腐蝕圖之差，數(shù)學表達式如下：

㈥頂帽（Top Hat）對二值圖像進行這一操作可以將團塊（blob）的邊緣突出出來。我們可以用形態(tài)學梯度來保留物體的邊緣輪廓，如下所示:

頂帽運算（Top Hat）又常常被譯為”禮帽“運算。為原圖像與上文剛剛介紹的“開運算“的結果圖之差，數(shù)學表達式如下：

頂帽運算往往用來分離比鄰近點亮一些的斑塊。當一幅圖像具有大幅的背景的時候，而微小物品比較有規(guī)律的情況下，可以使用頂帽運算進行背景提取。因為開運算帶來的結果是放大了裂縫或者局部低亮度的區(qū)域，因此，從原圖中減去開運算后的圖，得到的效果圖突出了比原圖輪廓周圍的區(qū)域更明亮的區(qū)域，且這一操作和選擇的核的大小相關。

㈦黑帽（Black Hat）

黑帽（Black Hat）運算為”閉運算“的結果圖與原圖像之差。數(shù)學表達式為：

黑帽運算后的效果圖突出了比原圖輪廓周圍的區(qū)域更暗的區(qū)域，且這一操作和選擇的核的大小相關。

所以，黑帽運算用來分離比鄰近點暗一些的斑塊。非常完美的輪廓效果圖：