（三）OpenCV——图像形态学

图像处理中的形态学（Morphology）是一种基于形状的图像处理技术，主要用于分析和处理二值图像或灰度图像中的结构特征。其核心思想是通过特定的结构元素（Structuring Element）对图像进行局部操作，以提取有用的形状信息、消除噪声或增强结构。

一、基本操作

腐蚀（Erosion）

腐蚀（Erosion）是图像形态学中的一种基本操作，主要用于缩小图像中的亮区域（前景），能够去除细小噪声、分离粘连的物体或平滑边界。

用结构元素（Structuring Element）扫描图像的每一个像素，只有当结构元素完全覆盖图像中的前景区域时，中心像素才会被保留为前景（白色），否则被腐蚀（变为背景，黑色）。

数学表达 ：

对于二值图像 A 和结构元素 B，腐蚀定义为：

Bz 表示结构元素 B 平移 z 后的位置。
结果图像中，只有 B 完全包含在 A 内时，中心点 z 才保留。

结构元素（Structuring Element）

结构元素是一个小的二值矩阵（通常为矩形、圆形或十字形），其形状和大小决定了腐蚀的效果。

常见形状：

矩形（如 3×3 全1矩阵）：适合通用场景。
圆形：用于平滑边缘。
十字形：针对特定方向的结构。

大小：

结构元素越大，腐蚀效果越强（更多前景被消除）。

腐蚀的过程

以下是原图像和结构元素

滑动扫描图像**，**将结构元素的中心依次对准图像的每一个像素

检查条件：结构元素覆盖的所有位置是否在图像中均为前景。
- 若全部匹配：中心像素保留为前景。
- 任一不匹配：中心像素置为背景。

腐蚀后

代码

python 复制代码

import cv2

img = cv2.imread("rr.png")

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 7))
dst = cv2.erode(img, kernel, iterations=2)

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码运行的结果

膨胀（Dilation）

膨胀（Dilation）是图像形态学中的另一个基本操作，与腐蚀（Erosion）相反，它用于扩大图像中的亮区域（前景），填充小孔、连接断裂部分或增加物体尺寸。

数学定义

对于二值图像 A 和结构元素 B，膨胀定义为：

B^是结构元素 B 的反射（对称翻转）。
(B^)z 表示 B^ 平移 z 后的位置。
含义：只要结构元素与图像前景有至少一个像素的重叠，中心点就置为前景（1/白色）。

直观理解

膨胀 = "加粗"前景区域：
- 如果一个像素的邻域（由结构元素定义）内有任意前景像素，则该像素被置为前景。
- 因此，前景区域会向外扩展，填补空洞或连接断裂的边缘。

膨胀的过程

以下是原图像和结构元素

滑动扫描：

将结构元素的中心依次对准原图像的每个像素。
检查结构元素覆盖的区域是否与原图像的前景有重叠。

填充规则：

重叠的区域不填充，不重叠的区域填充。

代码

python 复制代码

import cv2

img = cv2.imread("rr.png")
dst = cv2.dilate(img, (5, 5), iterations=5)

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后的结果

开运算（Opening）

开运算（Opening）是图像形态学中的一种重要操作，它由腐蚀（Erosion） 和膨胀（Dilation） 两个基本操作组合而成，顺序为先腐蚀后膨胀。开运算主要用于消除小物体、平滑物体边界，同时保持主体形状不变。

数学定义

开运算的数学表达式为：

A：输入图像（二值或灰度）。
B：结构元素（Structuring Element）。
⊖：腐蚀操作。
⊕：膨胀操作。

含义：先通过腐蚀去除微小噪声或毛刺，再通过膨胀恢复主体形状。

开运算的作用

消除小物体：去除孤立的噪声点或细小前景。
平滑轮廓：保留大物体的形状，同时平滑边缘。
断开窄连接：分离通过细线连接的物体。
保持主体尺寸：与直接腐蚀不同，开运算能避免过度缩小物体。

python 复制代码

import cv2

img = cv2.imread("demo.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (10, 10))
dst = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后的程序，先通过腐蚀，去除白点，在通过膨胀，将图像还原。

闭运算（Closing）

闭运算是图像形态学中的另一核心操作，与开运算相对应，由膨胀和腐蚀组合而成，顺序为先膨胀后腐蚀。闭运算主要用于填充前景物体内部的小孔、连接邻近物体，并平滑边界，同时保持主体形状基本不变。

数学定义

闭运算的数学表达式为：

A：输入图像（二值或灰度）。
B：结构元素。
⊕：膨胀操作。
⊖：腐蚀操作。

含义：先通过膨胀填充孔洞或断裂，再通过腐蚀恢复主体形状。

闭运算的作用

填充小孔：填补前景物体内部的空洞（如医学图像中的细胞内部空白）。
连接邻近物体：合并因噪声或光照断裂的相邻区域。
平滑边界：使物体轮廓更连贯，消除凸起或凹陷。
保持主体尺寸：与直接膨胀不同，闭运算能避免过度扩大物体。

代码:

python 复制代码

import cv2
img = cv2.imread("demo1.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (10, 10))
dst = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后，图像中的白色区域膨胀，将黑点去除，之后腐蚀，将图像恢复成正常形状。

二、高级操作

形态学梯度（Morphological Gradient）

形态学梯度（Morphological Gradient）是图像处理中的一种重要操作，用于突出物体的边缘或轮廓。它通过结合膨胀（Dilation）和腐蚀（Erosion）操作，提取图像中目标的边界信息。

数学定义

形态学梯度的基本公式为

A：输入图像（二值或灰度）。
B：结构元素（Structuring Element）。
⊕：膨胀操作（扩大前景）。
⊖：腐蚀操作（缩小前景）。

物理意义：膨胀操作扩展物体边缘，腐蚀操作收缩物体边缘，两者之差即为物体的边界。

作用与特点

边缘检测：突出目标的轮廓，效果类似传统边缘检测算子（如Sobel、Canny），但更强调形态学特性。
抗噪声能力：相比微分算子，形态学梯度对噪声更鲁棒。
灰度图像适用：可直接处理灰度图像，保留亮度变化信息。

执行步骤

假设输入二值图像 A 和 3×3 矩形结构元素 B：

步骤1：膨胀（Dilation）

扩展前景边界：

步骤2：腐蚀（Erosion）

收缩前景边界：

步骤3：梯度计算

膨胀结果减去腐蚀结果：

代码

python 复制代码

import cv2

img = cv2.imread("rr.png")
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
dst = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

cv2.imshow("img", img)
cv2.imshow("dst", dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

运行后的结果：

顶帽（Top Hat）

顶帽变换是图像形态学中的一种高级操作，用于提取图像中的微小亮细节 或校正不均匀光照 。它通过原图与开运算结果的差值实现，适用于增强低对比度区域或分离细小目标。

白顶帽（White Top-Hat）

数学定义

A：原图像（灰度或二值）。
A∘B：开运算结果（先腐蚀后膨胀）。
作用：提取比结构元素更小的亮细节（如白噪声、亮斑）。

代码

python 复制代码

import cv2
import numpy as np

# 读取图像
img = cv2.imread('demo.png', cv2.IMREAD_GRAYSCALE)

# 定义结构元素
kernel = np.ones((5, 5), np.uint8)

# 进行顶帽操作
dst = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

# 显示原图和处理后的结果
cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后的结果

黑顶帽（Black Top-Hat）

数学定义

A∙B：闭运算结果（先膨胀后腐蚀）。
作用：提取比结构元素更小的暗细节（如黑点、孔洞）。

代码:

python 复制代码

import cv2
import numpy as np

# 读取图像
img = cv2.imread('demo1.png', cv2.IMREAD_GRAYSCALE)

# 定义结构元素
kernel = np.ones((7, 7), np.uint8)

# 进行顶帽操作
dst = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

# 显示原图和处理后的结果
cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行后的结果：