1. 介绍

灰度级形态学将形态学在二值图像的处理中扩展到灰度图像

灰度腐蚀：得到kernel 处理子区域的最小值

因此：灰度腐蚀后的图像整体偏暗，并且亮特征减少

灰度膨胀：得到kernel 处理子区域的最大值

同二值图像膨胀运算一样，需要将结构元先反射，绕原点选择180。但通常使用的结构元都是对称的，因此可以不用考虑反射的问题

因此：灰度膨胀后的图像整体偏亮，并且暗特征减少

?灰度腐蚀就是统计排序滤波器里面的最小值滤波器

?灰度膨胀就是统计排序滤波器里面的最大值滤波器

2. code

首先将?空间滤波-统计排序滤波器?里面的算法代码拷贝

import cv2
import numpy as np


def statistical_sorting_filter(img, kernel_size=3, transform='median'):
    height, width = img.shape[:2]  # 获取图像的长宽
    ksize = kernel_size  # 滤波器的size
    pad = int((ksize - 1) / 2)  # padding 的大小
    img_pad = np.pad(img, pad, mode="edge")  # 将原图进行边缘上的填充

    for i in range(pad, pad + height):  # 遍历img_pad 图像的点，将滤波后的带能赋值给原图img对应位置
        for j in range(pad, pad + width):
            value = img_pad[i - pad:i + pad + 1, j - pad:j + pad + 1]  # 取出子区域

            if transform == 'max':  # 最大值滤波
                img[i - pad][j - pad] = np.max(value)
            if transform == 'min':  # 最小值滤波
                img[i - pad][j - pad] = np.min(value)

    return img.astype(np.uint8)


img = cv2.imread('./flower.jpg', 0)

img_ssf_min = statistical_sorting_filter(img.copy(), transform='min')  # 统计滤波器处理-min
img_ssf_max = statistical_sorting_filter(img.copy(), transform='max')  # 统计滤波器处理-max

kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
img_erode = cv2.erode(img,kernel)       # 腐蚀
img_dilate = cv2.dilate(img,kernel)     # 膨胀

cv2.imshow('erode', np.hstack((img,img_ssf_min,img_erode)))
cv2.imshow('dilate', np.hstack((img,img_ssf_max,img_dilate)))

cv2.waitKey()
cv2.destroyAllWindows()

处理结果为：

图像顺序：原图、统计排序滤波器的min滤波、腐蚀图