【OpenCV】Python图像处理形态学之腐蚀

形态学操作是基于图像形状的数学运算，核心是利用结构元素 （Kernel）对图像进行局部遍历和像素值更新。腐蚀（Erosion） 是形态学中最基础的操作之一，核心作用是 "收缩" 图像中的白色前景区域（前景为亮、背景为暗时），常用于去除小噪声、细化目标轮廓或断开目标间的细小连接。

一、腐蚀的原理

腐蚀操作的本质是：用一个指定大小和形状的结构元素（Kernel） 遍历图像的每个像素，仅当 Kernel 覆盖的所有像素都是前景像素（白色，255） 时，才将当前像素保留为前景；否则将其置为背景（黑色，0）。

可以通俗理解为：

结构元素像一个 "刷子"，划过图像时只保留 "完全覆盖在前景上" 的像素；
前景区域的边缘会被 "侵蚀"，小的白色噪声点会被直接消除（因无法被 Kernel 完全覆盖）。

示例（3x3 全 1 Kernel）

假设原始图像某区域像素如下（1 = 前景，0 = 背景）：

python 复制代码

1 1 1
1 1 1
0 1 1

用 3x3 全 1 Kernel 腐蚀后，中心像素会变为 0（因为 Kernel 左下角有一个 0），结果：

python 复制代码

1 1 1
1 0 1
0 1 1

二、OpenCV 腐蚀函数：cv2.erode ()

OpenCV 提供 cv2.erode() 函数实现腐蚀操作，语法如下：

python 复制代码

dst = cv2.erode(src, kernel, iterations=1, borderType=cv2.BORDER_CONSTANT, borderValue=0)

参数说明

参数名	作用
`src`	输入图像（建议为二值图像，单通道 / 多通道均可）
`kernel`	结构元素（Kernel），用 `np.ones((k1, k2), np.uint8)` 生成 k1×k2 矩阵
`iterations`	腐蚀次数（默认 1，次数越多，腐蚀效果越强）
`borderType`	边界填充方式（默认 `cv2.BORDER_CONSTANT`，即边界填充为指定值）
`borderValue`	边界填充值（默认 0，即黑色填充）

返回值

返回值	作用
`dst`	腐蚀后的输出图像

三、核心准备：结构元素（Kernel）

结构元素是腐蚀操作的 "工具"，形状和大小直接影响腐蚀效果：

常用形状：矩形（最常用）、十字形、椭圆形；
大小： Kernel 越大，腐蚀效果越强（如 5x5 比 3x3 腐蚀更明显）。

生成方式

手动生成（矩形 Kernel）：

python 复制代码

import numpy as np
kernel = np.ones((3, 3), np.uint8)  # 3x3 矩形结构元素
kernel_5x5 = np.ones((5, 5), np.uint8)  # 5x5 矩形结构元素

2.OpenCV 生成（支持多种形状）：

python 复制代码

# 矩形 Kernel（同手动生成）
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 十字形 Kernel（仅中心和横竖方向为1）
kernel_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
# 椭圆形 Kernel
kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))

不同形状 Kernel 的效果

矩形 Kernel：均匀腐蚀，适用于整体收缩目标；
十字形 Kernel：仅在水平 / 垂直方向腐蚀，适用于细化目标的横竖边缘；
椭圆形 Kernel：腐蚀效果更平滑，适用于不规则形状目标。

四、完整示例代码

示例 1：基础腐蚀（二值图像去噪声）

python 复制代码

import cv2
import numpy as np

# 1. 读取图像（建议用二值图像，这里手动创建带噪声的二值图）
# 也可读取真实图像：img = cv2.imread("test.png", 0) → ret, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
img = np.zeros((200, 200), np.uint8)
img[50:150, 50:150] = 255  # 绘制白色正方形（前景）
img[80:100, 80:100] = 0    # 正方形内黑色噪声
img[30:40, 30:40] = 255    # 正方形外白色噪声

# 2. 定义结构元素
kernel = np.ones((5, 5), np.uint8)  # 5x5 矩形 Kernel

# 3. 腐蚀操作（1次迭代）
eroded = cv2.erode(img, kernel, iterations=1)

# 4. 显示结果
cv2.imshow("Original", img)
cv2.imshow("Eroded", eroded)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例 2：多迭代腐蚀（强化收缩效果）

python 复制代码

import cv2
import numpy as np

# 读取图像（二值化）
img = cv2.imread("handwriting.png", 0)
ret, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)  # 反二值化（文字为白，背景为黑）

# 结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 不同迭代次数的腐蚀
erode1 = cv2.erode(binary, kernel, iterations=1)
erode2 = cv2.erode(binary, kernel, iterations=2)
erode3 = cv2.erode(binary, kernel, iterations=3)

# 显示对比
cv2.imshow("Binary", binary)
cv2.imshow("Erode 1x", erode1)
cv2.imshow("Erode 2x", erode2)
cv2.imshow("Erode 3x", erode3)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例 3：不同形状 Kernel 的腐蚀对比

python 复制代码

import cv2
import numpy as np

# 读取图像
img = cv2.imread("shape.png", 0)
ret, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 生成3种结构元素（3x3）
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
kernel_cross = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))

# 腐蚀
erode_rect = cv2.erode(binary, kernel_rect, iterations=1)
erode_cross = cv2.erode(binary, kernel_cross, iterations=1)
erode_ellipse = cv2.erode(binary, kernel_ellipse, iterations=1)

# 显示
cv2.imshow("Original", binary)
cv2.imshow("Rect Kernel", erode_rect)
cv2.imshow("Cross Kernel", erode_cross)
cv2.imshow("Ellipse Kernel", erode_ellipse)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、关键注意事项

图像类型：腐蚀常用于二值图像（黑白分明），若用彩色图像，会对每个通道分别腐蚀，可能导致颜色失真，建议先转灰度图再二值化。
前景 / 背景 ：腐蚀默认 "收缩白色前景"，若图像是 "前景为黑、背景为白"（如普通文字图），需先反二值化（cv2.THRESH_BINARY_INV），否则会腐蚀背景（效果相反）。
Kernel 选择 ：
- 小 Kernel（3x3）：轻微腐蚀，保留目标主要形状；
- 大 Kernel（5x5 及以上）：强烈腐蚀，可能导致目标变形或消失；
- 形状根据需求选择（如细化横竖线条用十字形）。
迭代次数：次数越多，腐蚀越彻底，但需避免过度腐蚀导致目标丢失。

六、腐蚀的应用场景

去除小噪声：如二值图像中的孤立白点 / 黑点，腐蚀可直接消除（噪声无法被 Kernel 完全覆盖）；
细化目标轮廓：如手写文字、物体边缘的收缩，便于后续轮廓提取；
断开目标连接：如两个粘连的物体，通过腐蚀断开细小连接，实现分离；
形态学预处理：作为开运算（先腐蚀后膨胀）的第一步，用于更稳健的噪声去除。

通过以上内容，你可以掌握 OpenCV-Python 中腐蚀操作的核心原理、函数用法和实际应用。关键是理解结构元素和迭代次数对腐蚀效果的影响，根据具体场景调整参数即可。