语义分割任务中，如果预测结果中包含有孤立的噪点、孔洞，则可以使用腐蚀膨胀进行处理，提高分割效果。
#定义输入矩阵，结构核
import cv2 as cv
import numpy as np
input_data = np.array([[1,0,0,0,1],[0,1,1,1,0],[0,1,1,1,0],[0,1,1,1,0],[1,0,1,0,1]],dtype=np.uint8)
kernel = np.uint8(np.zeros((3,3)))
for i in range(3):
kernel[1,i] = 1
kernel[i,1] = 1
print('input data:')
print(input_data)
print('kernel:')
print(kernel)
首先看看输入矩阵和结构核的结果，（1表示前景，0表示背景）
input data:
[[1 0 0 0 1]
[0 1 1 1 0]
[0 1 1 1 0]
[0 1 1 1 0]
[1 0 1 0 1]]
kernel:
[[0 1 0]
[1 1 1]
[0 1 0]]
接下里进行腐蚀计算：接着上面的代码
erode = cv.erode(input_data, kernel)
print('erode result:')
print(erode)
结果如下：
erode result:
[[0 0 0 0 0]
[0 0 0 0 0]
[0 0 1 0 0]
[0 0 1 0 0]
[0 0 0 0 0]]
从结果中，可以推断出，kernel类似于卷积一样在输入图像上移动，从输入数据的坐标(0,0)开始，kernel的中心与(0,0)重合，如果kernel中的1与它所覆盖的区域的1完全重合时，才能把kernel中心与输入相对应的坐标值赋值为1，否则为0。注意在计算过程中不改变原始数据，输出矩阵为单独的矩阵。下图为计算过程的分析：
很明显当结构核位于输入数据边缘时，只需考虑输入数据内，结构核与输入数据对应的部分的1是否重合，比如第一个数据，由于结构核的中心与输入数据左上角重合，所以结构核只有4个值在输入数据内，只考虑这4个值所对应的2x2的小矩阵即可，对比发现结构核是1 1 1 0，而输入数据对应部分是1 0 0 1，结构核中的3个1并没有和输入数据对应部分的1完全重合，因此输出矩阵的左上角输出为0。整个输入数据中只有两处 ，使得结构核中的1与 输入数据的1完全重合时才输出为1，其余都输出为0。
接下里计算膨胀计算：接着上面的代码
dilate = cv.dilate(input_data, kernel)
print('dilate result:')
print(dilate)
结果如下：
dilate result:
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
膨胀与腐蚀相反，只要kernel中的1有一个与输入数据的1重合，则会把kernel中心与输入对应的坐标处的值赋为1，否则为0。
接下来是闭操作：即先膨胀，然后对膨胀后的结果进行腐蚀
closed = cv.morphologyEx(input_data,cv.MORPH_CLOSE, kernel)
print('closed result:')
print(closed)
结果如下：
closed result:
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
由于膨胀之后的结果全是1，再进行腐蚀时，结果仍然全是1，对全为0的输入数据做腐蚀时，输出也全是0。
接下来是开操作：即先腐蚀 然后对腐蚀后的结果进行膨胀
opened = cv.morphologyEx(input_data,cv.MORPH_OPEN, kernel)
print('opened result:')
print(opened)
结果如下：
opened result:
[[0 0 0 0 0]
[0 0 1 0 0]
[0 1 1 1 0]
[0 1 1 1 0]
[0 0 1 0 0]]
