3.3 形态学操作

3.3 形态学操作

本节摘要：SOURCE 形态学章（合并原 4.1）：基于结构元素的集合运算。本节动手腐蚀、膨胀、开运算、闭运算，清理二值分割噪点。

读前必看

1. 解释腐蚀/膨胀对前景的作用
2. 用开运算去小亮斑、闭运算填孔
3. 选择矩形/椭圆结构元素

一、基本操作

import cv2, numpy as np
bin_img = cv2.imread('mask.png', 0)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
erode = cv2.erode(bin_img, kernel, iterations=1)
dilate = cv2.dilate(bin_img, kernel, iterations=1)
open_ = cv2.morphologyEx(bin_img, cv2.MORPH_OPEN, kernel)
close = cv2.morphologyEx(bin_img, cv2.MORPH_CLOSE, kernel)
​

• 腐蚀：缩小前景，去小亮点
• 膨胀：扩大前景，填小孔
• 开 = 腐蚀+膨胀：去噪
• 闭 = 膨胀+腐蚀：填洞

二、应用

形态学运算关系

形态学运算关系

三、梯度与顶帽（扩展）

MORPH_GRADIENT = dilate - erode 得边界；顶帽 原图 - 开 增强亮小目标。

四、实验

1. 对 Otsu 二值图做 3×3 开运算，数连通域变化
2. 对比 5×5 矩形 vs 椭圆核
3. 闭运算修复断笔画

⚠️ 常见坑：对 0/255 灰度图当二值 — 先 threshold。

💡 关键直觉：形态学只在二值/低灰度级上几何意义明确。

核心回顾

• 腐蚀缩小、膨胀扩大
• 开去噪、闭填孔
• 结构元素形状影响各向异性
• 常接在阈值分割之后

第 4 章：分割。

从集合运算理解腐蚀与膨胀

形态学建立在集合运算上：结构元素（核）在图像上滑动，腐蚀取"结构元素完全被前景覆盖"的位置，膨胀取"结构元素与前景有交集"的位置。直观效果：腐蚀让前景缩小，细小突起、孤立亮斑被去除；膨胀让前景扩大，内部小孔、细缝被填充。灰度图上的形态学也有定义（取邻域最小或最大），但在二值图上几何意义最直观，这也是形态学几乎总跟在阈值分割后面的原因——先把图像变成 0/1 掩膜，再用形态学整理。

import cv2, numpy as np
# 顶帽：原图 - 开运算，提取比周围亮的小目标
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7,7))
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, kernel)
# 黑帽：闭运算 - 原图，提取比周围暗的小目标
blackhat = cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, kernel)
​

开闭运算：去噪与填空的对称组合

开运算 = 先腐蚀后膨胀，效果是去掉前景上细小的亮斑、断开细的连接（小噪点被腐蚀掉，主体先缩后放回到近似原状）；闭运算 = 先膨胀后腐蚀，效果是填上前景内部的小孔、接上断裂的笔画。两者都是"先破坏再修复"的对称结构，区别在于先腐蚀还是先膨胀。工业场景里，阈值分割后的二值图几乎必接一次开闭：椒盐噪点用开运算去，字符断线用闭运算补，这是分割后处理的标准第一步。

结构元素形状与迭代次数

结构元素（矩形、十字、椭圆）的形状决定处理的各向异性：矩形对水平和垂直结构一视同仁，十字偏向对角线方向的连接，椭圆更接近真实目标形状、边缘更平滑。迭代次数控制处理强度，但多次小核迭代与一次大核并不完全等价——迭代会保留更多细节。工程调参经验：先小核后大核、能用一次完成就不用多次，避免过度处理抹掉目标本身。形态学梯度（膨胀减腐蚀）提取边界，顶帽增强亮目标，黑帽增强暗目标，这些组合运算在光照不均的工业场景里非常实用。

连通域分析是形态学的常用搭档：形态学处理完的二值图，用 cv2.connectedComponents 统计连通域数量和面积，可以过滤掉太小的噪点、找出最大的目标、按面积筛选 ROI。这套"阈值、形态学、连通域"组合拳，是工业视觉里最基础也最常用的流水线。

实验建议：对带椒盐噪声的二值图分别做开、闭、先开后闭，数一数连通域数量变化，观察噪声点和目标主体谁先被处理；再对比矩形核与椭圆核对圆角目标的边缘影响。这个实验能直观建立"运算-效果"的对应关系。

最后提醒：形态学只对二值图（或低灰度级图）有明确的几何意义，对 0/255 的图，先确认是否已经做过阈值处理；对灰度图做形态学虽然语法合法，但结果往往不如二值图直观，容易产生误解。

补一个与轮廓结合的常见用法：形态学处理完的二值图常用 findContours 提取轮廓，再配合 boundingRect、contourArea 等计算目标的位置和尺寸。这套"阈值、形态学、轮廓"流程在工业视觉里是测量和定位的标准套路，几乎每个产线项目都会用到。此外，距离变换（distanceTransform）可以求每个前景像素到最近背景的距离，用于骨架提取和分水岭标记生成——它是形态学思想的重要延伸，也是处理粘连目标时的前置步骤。理解形态学"以形状为单位处理图像"的本质，就能举一反三。