Update 4.5-tutorial_py_morphological_ops.md

docs/4.0.0/4.5-tutorial_py_morphological_ops.md

@@ -2,22 +2,22 @@
 
 在本教程中：
 
-* 我们将学习不同的形态操作，如腐蚀、扩张、开、闭等。
+* 我们将学习不同的形态操作，如腐蚀、膨胀、开、闭等。
 * 我们将看到不同的函数，如： **[cv.erode()](https://docs.opencv.org/4.0.0/d4/d86/group__imgproc__filter.html#gaeb1e0c1033e3f6b891a25d0511362aeb)**、 **[cv.dilate()](https://docs.opencv.org/4.0.0/d4/d86/group__imgproc__filter.html#ga4ff0f3318642c4f469d0e11f242f3b6c)**、 **[cv.morphologyEx()](https://docs.opencv.org/4.0.0/d4/d86/group__imgproc__filter.html#ga67493776e3ad1a3df63883829375201f)**等。
 
 ## 理论
 
-形态转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两个基本的形态学操作是腐蚀和扩张。接下来如开，闭，梯度等也会介绍。在下图的帮助下，我们将逐一看到它们：
+形态学变换是基于图像形状的一些简单操作。它通常在二值图像上执行。它需要两个输入，一个是我们的原始图像，第二个是决定操作性质的结构元素或内核。两个基本的形态学操作是腐蚀和膨胀。接下来如开，闭，梯度等也会介绍。在下图的帮助下，我们将逐一看到它们：
 
 ![图片](./img/Morphological_Transformations_1.png)
 
 ### 1、腐蚀
 
-侵蚀的基本概念就像土壤侵蚀一样，只侵蚀前景对象的边界（总是尽量保持前景为白色）。那它有什么作用呢？内核在图像中滑动（如二维卷积）。只有当内核下的所有像素都为 1 时，原始图像中的像素（1 或 0）才会被视为 1，否则会被侵蚀（变为零）。
+腐蚀的基本概念就像土壤侵蚀一样，只侵蚀前景对象的边界（总是尽量保持前景为白色）。那它有什么作用呢？内核在图像中滑动（如二维卷积）。只有当内核下的所有像素都为 1 时，原始图像中的像素（1 或 0）才会被视为 1，否则会被侵蚀（变为零）。
 
 所以根据内核的大小，边界附近的所有像素都将被丢弃。因此，前景对象的厚度或大小在图像中减少或只是白色区域减少。它有助于消除小的白色噪音（如我们在“颜色空间”一章中所看到的），分离两个连接的对象等。
 
-作为一个例子，我将使用一个 5x5 内核，里面有很多内核。让我们看看它是如何工作的：
+作为一个例子，我将使用一个 5x5 内核，内核元素均为1。让我们看看它是如何工作的：
 
 ```python
 mport cv2 as cv
@@ -36,9 +36,9 @@ plt.show()
 
 ![图片](./img/Morphological_Transformations_2.png)
 
-### 2、扩张
+### 2、膨胀
 
-它与侵蚀正好相反。这里，如果内核下至少有一个像素为“1”，则像素元素为“1”。所以它会增加图像中的白色区域，或者增加前景对象的大小。通常情况下，在去除噪音的情况下，腐蚀后会膨胀。因为，腐蚀消除了白噪声，但它也缩小了我们的对象。所以我们扩大它。由于噪音消失了，它们不会再回来，但我们的目标区域会增加。它还可用于连接对象的断开部分。
+它与腐蚀正好相反。这里，如果内核下至少有一个像素为“1”，则像素元素为“1”。所以它会增加图像中的白色区域，或者增加前景对象的大小。通常情况下，在去除噪音的情况下，腐蚀后会膨胀。因为，腐蚀消除了白噪声，但它也缩小了我们的对象。所以我们扩大它。由于噪音消失了，它们不会再回来，但我们的目标区域会增加到腐蚀之前的状态。它还可用于连接对象的断开部分。
 
 ```python
 dilation = cv.dilate(img,kernel,iterations = 1)
@@ -48,7 +48,7 @@ dilation = cv.dilate(img,kernel,iterations = 1)
 
 ![图片](./img/Morphological_Transformations_3.png)
 
-### 3、开
+### 3、开运算
 
 开只是腐蚀的另一个名称，随后是膨胀。正如我们上面所解释的，它对消除噪音很有用。在这里，我们使用 **[cv.morphologyEx()](https://docs.opencv.org/4.0.0/d4/d86/group__imgproc__filter.html#ga67493776e3ad1a3df63883829375201f)**。
 
@@ -61,9 +61,9 @@ opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel)
 
 ![图片](./img/Morphological_Transformations_4.png)
 
-### 4、闭
+### 4、闭运算
 
-关闭与打开相反，膨胀后腐蚀。它在关闭前景对象内的小孔或对象上的小黑点时很有用。
+关闭与打开相反，膨胀后腐蚀。它在填充前景对象内的小孔或对象上的小黑点时很有用。
 
 ```python
 closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)
@@ -75,7 +75,7 @@ closing = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel)
 
 ### 5、形态梯度
 
-它与图像的膨胀和腐蚀相反。
+它是图像的膨胀和腐蚀之间的差值。
 
 结果将类似于对象的轮廓。
 
@@ -89,7 +89,7 @@ gradient = cv.morphologyEx(img, cv.MORPH_GRADIENT, kernel)
 
 ### 6、顶帽
 
-它与原图像和原图像的开相反。下面是 9*9 核的例子。
+它是原图像和原图像开运算结果的差值。下面是 9x9 核的例子。
 
 ```python
 tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)
@@ -101,7 +101,7 @@ tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel)
 
 ### 7、黑帽
 
-它与原图像和原图像的闭相反。
+它是原图像和原图像的闭的差值。
 
 ```python
 blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
@@ -111,7 +111,7 @@ blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel)
 
 ![图片](./img/Morphological_Transformations_8.png)
 
-## 结构参量
+## 结构元素
 
 在前面的例子中，我们在 numpy 的帮助下手工创建了一个结构参量。它是长方形的。但在某些情况下，您可能需要椭圆/圆形的内核。因此，opencv 有一个函数，**[cv.getStructuringElement()](https://docs.opencv.org/4.0.0/d4/d86/group__imgproc__filter.html#gac342a1bb6eabf6f55c803b09268e36dc)**。只要传递内核的形状和大小，就可以得到所需的内核。