机器视觉opencv教程（三）：形态学变换（腐蚀与膨胀）

文章目录

- 一、形态学变换总览
- 二、基本操作：腐蚀与膨胀
- - [2.1 腐蚀操作（Erosion）](#2.1 腐蚀操作（Erosion）)
  - - [1. 核心原理](#1. 核心原理)
    - [2. 效果](#2. 效果)
  - [2.2 膨胀操作（Dilation）](#2.2 膨胀操作（Dilation）)
  - - [1. 核心原理](#1. 核心原理)
    - [2. 效果](#2. 效果)
  - [2.3 腐蚀 vs 膨胀对比表](#2.3 腐蚀 vs 膨胀对比表)
- 三、组合操作：开运算与闭运算
- - [3.1 开运算（Opening）](#3.1 开运算（Opening）)
  - - [1. 操作顺序](#1. 操作顺序)
    - [2. 核心原理](#2. 核心原理)
    - [3. 作用](#3. 作用)
  - [3.2 闭运算（Closing）](#3.2 闭运算（Closing）)
  - - [1. 操作顺序](#1. 操作顺序)
    - [2. 核心原理](#2. 核心原理)
    - [3. 作用](#3. 作用)
  - [3.3 开运算 vs 闭运算对比表](#3.3 开运算 vs 闭运算对比表)
- 四、关键总结

一、形态学变换总览

定义：一种基于图像形状的简单变换，核心是通过「核」与原始图像的交互，调整二值化图像的像素分布。
处理对象 ：主要是 二值化图像（像素值仅为 0 黑色 / 255 白色）。
核心组成：
1. 原始二值化图像：待处理的图像。
2. 核（结构化元素）：用于滑动计算的模板，决定变换的范围和形状（常见形状：矩形、十字形、椭圆形）。
基础逻辑 ：核在图像上从左到右、从上到下滑动，通过特定计算规则（取最小 / 最大值）更新核覆盖区域的中心像素值。

二、基本操作：腐蚀与膨胀

形态学变换的两个核心基础操作，二者效果完全相反，是后续组合操作的基础。

2.1 腐蚀操作（Erosion）

1. 核心原理

核在二值化图像上滑动，对核值为 1 的区域 与被覆盖的图像区域进行「相乘」，取计算结果的最小值作为中心像素的新值。

二值图特殊规则：若核覆盖区域内存在黑色像素（0），则中心像素必为黑色（0）；
仅当所有覆盖像素均为白色（255）时，中心像素才为白色。

2. 效果

将二值化图像中的白色区域「变瘦」，可削弱细小白色结构、分离邻近的白色区域。

python 复制代码

import cv2

# 步骤1：读取彩色图像
image_np = cv2.imread('./test.png')  

# 步骤2：彩色图 → 灰度图（二值化的前提）
image_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)

# 步骤3：灰度图 → 二值化图（阈值127：>127设为255白，≤127设为0黑）
ret, image_thresh = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)

# 步骤4：构建核（结构化元素）
# 参数1：核形状（MORPH_CROSS=十字形，MORPH_RECT=矩形，MORPH_ELLIPSE=椭圆形）
# 参数2：核大小（(9,9)表示9x9，尺寸越大，腐蚀效果越强）
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (9, 9))

# 步骤5：执行腐蚀操作
image_erode = cv2.erode(image_thresh, kernel)  # 输入：二值图+核

# 步骤6：显示结果（按任意键关闭窗口）
cv2.imshow('原始二值图', image_thresh)
cv2.imshow('腐蚀后图像（变瘦）', image_erode)
cv2.waitKey(0)  # 等待按键输入
cv2.destroyAllWindows()  # 关闭所有窗口

2.2 膨胀操作（Dilation）

1. 核心原理

与腐蚀完全相反 ：核在二值化图像上滑动，对核值为 1 的区域 与被覆盖的图像区域进行「相乘」，取计算结果的最大值作为中心像素的新值。

二值图特殊规则：若核覆盖区域内存在白色像素（255），则中心像素必为白色（255）；
仅当所有覆盖像素均为黑色（0）时，中心像素才为黑色。

2. 效果

将二值化图像中的白色区域「变胖」，可增强细小白色结构、连接邻近的白色区域。

python 复制代码

import cv2

# 步骤1-3：与腐蚀操作一致（读取→灰度化→二值化）
image_np = cv2.imread('./test.png')  
image_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)
ret, image_thresh = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)

# 步骤4：构建核（此处用矩形核，与腐蚀的十字形区分）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))  # 7x7核，膨胀强度适中

# 步骤5：执行膨胀操作
image_dilate = cv2.dilate(image_thresh, kernel)

# 步骤6：显示结果
cv2.imshow('原始二值图', image_thresh)
cv2.imshow('膨胀后图像（变胖）', image_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.3 腐蚀 vs 膨胀对比表

维度	腐蚀操作（Erosion）	膨胀操作（Dilation）
计算逻辑	核覆盖区域取「最小值」	核覆盖区域取「最大值」
二值图规则	有黑色（0）则中心为黑	有白色（255）则中心为白
白色区域效果	「变瘦」（收缩）	「变胖」（扩张）
核心作用	削弱细小白色结构、分离邻近区域	增强细小白色结构、连接邻近区域

三、组合操作：开运算与闭运算

基于「腐蚀」和「膨胀」的顺序组合，解决更复杂的图像问题（如去噪、填洞）。

3.1 开运算（Opening）

1. 操作顺序

先腐蚀 → 再膨胀（先收缩再扩张）。

2. 核心原理

第一步腐蚀：去除图像中的细小白色噪点（小白色区域被腐蚀掉），但会让主要白色物体变瘦。
第二步膨胀：将主要白色物体恢复到接近原始大小，同时保留 "去噪" 的效果。

3. 作用

去除图像中的白色小噪点（不影响主要白色物体的形状和大小）。
分离邻近的白色物体（避免粘连）。

python 复制代码

import cv2

# 步骤1-3：读取→灰度化→二值化
img = cv2.imread("img.png")  # 替换为自己的图像路径
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 步骤4：构建核（5x5矩形核，通用尺寸）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 步骤5：执行开运算（用morphologyEx函数，指定操作类型为MORPH_OPEN）
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 步骤6：显示结果
cv2.imshow("原始二值图", binary)
cv2.imshow("开运算结果（去白色噪点）", opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.2 闭运算（Closing）

1. 操作顺序

先膨胀 → 再腐蚀（先扩张再收缩）。

2. 核心原理

第一步膨胀：填充主要白色物体内部的细小黑色空洞（空洞被白色填充），但会让主要白色物体变胖。
第二步腐蚀：将主要白色物体恢复到接近原始大小，同时保留 "填洞" 的效果。

3. 作用

填充主要白色物体内部的黑色小空洞（不影响物体整体形状）。
连接邻近的白色物体（修复微小断裂）。

python 复制代码

import cv2

# 步骤1-4：与开运算一致（读取→灰度化→二值化→构建核）
img = cv2.imread("img.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 步骤5：执行闭运算（操作类型为MORPH_CLOSE）
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

# 步骤6：显示结果
cv2.imshow("原始二值图", binary)
cv2.imshow("闭运算结果（填黑色空洞）", closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.3 开运算 vs 闭运算对比表

维度	开运算（Opening）	闭运算（Closing）
操作顺序	腐蚀 → 膨胀	膨胀 → 腐蚀
核心作用	去除白色小噪点、分离邻近物体	填充黑色小空洞、连接邻近物体
适用场景	图像含细小白色杂点时	图像含细小黑色空洞时
对主要物体影响	形状 / 大小基本不变	形状 / 大小基本不变

四、关键总结

核心逻辑：形态学变换基于「核滑动」和「极值计算」（最小 / 最大），仅作用于二值化图像。
操作选择：
- 想让白色区域变瘦 → 腐蚀；想变胖 → 膨胀。
- 想去除白色小噪点 → 开运算；想填充黑色小空洞 → 闭运算。
核的影响：核的尺寸越大，变换效果越强；核的形状（矩形 / 十字形 / 椭圆形）影响变换的方向性（如十字形对线性结构更敏感）。

机器视觉opencv教程（三）：形态学变换（腐蚀与膨胀）

文章目录

一、形态学变换总览

二、基本操作：腐蚀与膨胀

2.1 腐蚀操作（Erosion）

1. 核心原理

2. 效果

2.2 膨胀操作（Dilation）

1. 核心原理

2. 效果

2.3 腐蚀 vs 膨胀 对比表

三、组合操作：开运算与闭运算

3.1 开运算（Opening）

1. 操作顺序

2. 核心原理

3. 作用

3.2 闭运算（Closing）

1. 操作顺序

2. 核心原理

3. 作用

3.3 开运算 vs 闭运算 对比表

四、关键总结

2.3 腐蚀 vs 膨胀对比表

3.3 开运算 vs 闭运算对比表