【OpenCV】Python图像处理之开/闭运算

开运算（Opening）和闭运算（Closing）是基于腐蚀和膨胀的组合形态学操作，核心优势是在 "去噪 / 填补空洞" 的同时，最大程度保留目标的原始尺寸和形状，是比单独腐蚀 / 膨胀更实用的预处理手段。

一、核心概念与原理

1. 开运算（MORPH_OPEN）

运算逻辑：先腐蚀 → 后膨胀
核心作用 ：去除图像中小的白色噪声、断开目标间的细小连接，同时基本保持大目标的形状和大小不变。
原理理解：腐蚀先 "吃掉" 小噪声和细连接，膨胀再将大目标恢复到原有尺寸（噪声已被腐蚀消除，无法被膨胀恢复）。

2. 闭运算（MORPH_CLOSE）

运算逻辑：先膨胀 → 后腐蚀
核心作用 ：填补目标内部小的黑色空洞、连接断裂的前景区域，同时基本保持目标的形状和大小不变。
原理理解：膨胀先 "填满" 小空洞和断裂处，腐蚀再将目标边缘恢复到原有尺寸（空洞已被膨胀填补，无法被腐蚀还原）。

开 / 闭运算 vs 单独腐蚀 / 膨胀

操作	单独腐蚀	单独膨胀	开运算	闭运算
目标尺寸	缩小	放大	基本不变	基本不变
核心效果	去噪但缩目标	填空洞但扩目标	去噪且保尺寸	填空洞且保尺寸
适用场景	仅需强烈收缩	仅需强烈扩张	去噪（白噪声）	补空洞（黑空洞）

二、OpenCV 实现函数：cv2.morphologyEx ()

开运算和闭运算均通过 cv2.morphologyEx() 实现，仅需指定不同的操作类型（op 参数）。

函数语法

python 复制代码

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

关键参数说明

参数	开运算取值	闭运算取值	作用
`op`	`cv2.MORPH_OPEN`	`cv2.MORPH_CLOSE`	指定操作类型（开 / 闭运算）
`src`	通用	通用	输入图像（推荐二值图像，单通道 / 多通道均可）
`kernel`	通用	通用	结构元素（决定操作的 "粒度"，常用 3x3/5x5 矩形 Kernel）
`iterations`	通用	通用	操作迭代次数（默认 1，次数越多效果越强，建议 1~2 次）

三、结构元素（Kernel）选择

结构元素的形状和大小直接影响开 / 闭运算效果，推荐选择：

矩形 Kernel（cv2.MORPH_RECT）：最常用，均匀处理所有方向，适合大部分场景；
椭圆形 Kernel（cv2.MORPH_ELLIPSE）：操作效果更平滑，避免目标边缘产生尖锐棱角；
十字形 Kernel（cv2.MORPH_CROSS）：仅在水平 / 垂直方向生效，适合处理横竖线条类目标。

生成示例

python 复制代码

import cv2
# 3x3 矩形 Kernel（开/闭运算首选）
kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 5x5 椭圆形 Kernel（平滑处理）
kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

四、完整示例代码

示例 1：开运算去除白色噪声

python 复制代码

import cv2
import numpy as np

# 1. 创建带白色噪声的二值图像
img = np.zeros((200, 200), np.uint8)
img[50:150, 50:150] = 255  # 白色正方形（主目标）
# 添加随机白色噪声
np.random.seed(0)
noise = np.random.randint(0, 2, (200, 200), np.uint8) * 255
img = cv2.bitwise_or(img, noise)

# 2. 定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 3. 开运算（先腐蚀后膨胀）
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1)

# 4. 显示对比
cv2.imshow("Original (with white noise)", img)
cv2.imshow("Opening (noise removed)", opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例 2：闭运算填补黑色空洞

python 复制代码

import cv2
import numpy as np

# 1. 创建带黑色空洞的二值图像
img = np.ones((200, 200), np.uint8) * 255  # 白色背景
img[50:150, 50:150] = 0  # 黑色正方形（主目标）
# 添加随机黑色空洞
np.random.seed(1)
holes = np.random.randint(0, 2, (100, 100), np.uint8) * 255
img[50:150, 50:150] = cv2.bitwise_and(img[50:150, 50:150], holes)

# 2. 定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

# 3. 闭运算（先膨胀后腐蚀）
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=1)

# 4. 显示对比
cv2.imshow("Original (with black holes)", img)
cv2.imshow("Closing (holes filled)", closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例 3：开运算 + 闭运算组合使用（复杂场景）

适用于同时存在白噪声和黑空洞的图像（如手写文字、扫描文档）：

python 复制代码

import cv2

# 1. 读取并二值化图像
img = cv2.imread("complex_noise.png", 0)
ret, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

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

# 3. 先开运算去噪，再闭运算补空洞
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel)

# 4. 显示对比
cv2.imshow("Original", binary)
cv2.imshow("Opening + Closing", closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、关键注意事项

图像前景 / 背景：
- 开运算默认处理 "白色前景的噪声"，若图像是 "黑前景、白背景"（如普通文字图），需先反二值化（cv2.THRESH_BINARY_INV）；
- 闭运算同理，若空洞是白色（背景为黑），需反二值化后操作。
Kernel 大小选择：
- 小 Kernel（3x3）：处理微小噪声 / 空洞，保留目标细节；
- 大 Kernel（5x5/7x7）：处理较大噪声 / 空洞，但可能导致目标边缘轻微变形；
- 原则：Kernel 尺寸略大于噪声 / 空洞的尺寸即可，避免过大。
迭代次数：
- 1 次迭代：满足大部分场景（去噪 / 补洞且保形状）；
- 2 次迭代：仅用于噪声 / 空洞较明显的场景，超过 2 次易导致目标失真。
彩色图像操作：
- 开 / 闭运算可直接作用于彩色图像（对 B、G、R 三通道分别运算），但易导致颜色失真，建议先转灰度图→二值化后操作。

六、典型应用场景

开运算应用

文档扫描图去噪（去除纸张上的杂点、墨点）；
目标检测前预处理（断开粘连的目标，如多细胞图像分离）；
路面 / 卫星图像去小亮点（如路灯、小石子）。

闭运算应用

手写文字修复（填补笔画缺口、断笔）；
工业缺陷检测（填补金属表面的小凹坑、裂缝）；
轮廓提取前预处理（闭合目标边缘，避免轮廓断裂）。

总结

开运算和闭运算的核心价值是 "在修正图像缺陷的同时保持目标尺寸"：

开运算：先腐蚀去噪 → 后膨胀还原，解决 "白噪声 / 细连接" 问题；
闭运算：先膨胀补洞 → 后腐蚀还原，解决 "黑空洞 / 断连接" 问题；
组合使用时，通常先开运算去噪，再闭运算补洞，适配更复杂的图像预处理需求。

选择合适的结构元素（矩形 / 椭圆形为主）和迭代次数（1 次优先），是保证操作效果的关键。