开操作是先选定合适结构元对图像进行腐蚀处理再用相同结构元对图像进行膨胀处理。开操作可以平滑物体轮廓，断开狭窄的间断和消除细小的突出物，它具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用。
先说一下腐蚀和膨胀的数学表达，结构A被结构B腐蚀的定义为：
A
⨀
B
=
z
∣
(
B
)
z
⊆
A
A⨀B={z|(B)z⊆A}
A⨀B=z∣(B)z⊆A，可以理解为，移动结构B，如果结构B与结构A的交集完全属于结构A的区域内，则保存该位置点，所有满足条件的点构成结构A被结构B腐蚀的结果。
结构A被结构B膨胀的定义为：
A
⨁
B
=
z
∣
(
B
)
z
⋂
A
≠
∅
A⨁B={z|(B^)z⋂A≠∅}
A⨁B=z∣(B)z⋂A=∅，可以理解为，将结构B在结构A上进行卷积操作，如果移动结构B的过程中，与结构A存在重叠区域，则记录该位置，所有移动结构B与结构A存在交集的位置的集合为结构A在结构B作用下的膨胀结果。
在检测横竖线任务中，一般选用长方形形状的结构元对图像进行开操作，如选用（scale，1）或（1，scale）大小的结构元，通过改变scale的大小控制横竖线检出的数量，当scale越大时，横竖线检出数量越少（由腐蚀膨胀原理可知）。具体过程如下动图显示：
最后结果：
在Python中可用opencv进行处理：
rows, cols = img.shape
scale = 18
# 识别横线
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (cols // scale, 1)) # 返回指定形状和尺寸的结构元素
eroded = cv2.erode(img, kernel, iterations=1)
dilatedcol = cv2.dilate(eroded, kernel, iterations=1)
# 识别竖线
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, rows // (scale)))
eroded = cv2.erode(img, kernel, iterations=1)
dilatedrow = cv2.dilate(eroded, kernel, iterations=1)
拉普拉斯算子可计算图像的二阶导，而我们知道，高阶导数可表征图像中颜色变化的强度，由此可检测出图像的边缘信息。图像越清晰时，包含的图像边缘信息越多，当图像越模糊时，高阶导数越小，由此可通过拉普拉斯算子来计算得到图像边缘强度值，之后将其方差作为判断图像模糊程度的变量。
var = cv2.Laplacian(img, cv2.CV_64F).var() #该值越大图像越清晰
在项目中主要处理纸质版文件和电子版文件，由于电子版文件有一个具体的样式，其色度直方图相似度较高，由此将统计直方图信息作为判别电子版与纸质版的一个参考。
avg_color_per_row = np.average(img, axis=0)
avg_color = np.average(avg_color_per_row, axis=0) #需计算电子版文件的avg_color范围来作为后面的判断边界