Opencv 学习笔记：形态学开 / 闭运算（解决噪点与孔洞问题）

形态学开运算和闭运算是腐蚀、膨胀的组合操作，是图像预处理中解决噪点和孔洞问题的核心技巧。本文通过极简代码，演示开 / 闭运算的实现流程，新手可快速掌握其应用场景与使用方法。

核心代码实现

python 复制代码

import cv2 as cv
import numpy as np

# 1. 读取图像并校验
src = cv.imread(".\image\6.bmp")
if src is None:
    print('could not load image')
    exit()
cv.imshow("src", src)

# 2. 转灰度+二值化（形态学操作前的基础预处理）
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
ret, binary = cv.threshold(gray, 120, 255, cv.THRESH_BINARY)

# 3. 创建结构元素（核）：5×3矩形核
kernel = cv.getStructuringElement(cv.MORPH_RECT, (5, 3))

# 4. 形态学运算
closed1 = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel)  # 闭运算：膨胀→腐蚀
opened1 = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)   # 开运算：腐蚀→膨胀

# 5. 显示结果
cv.imshow('outimage(闭运算)', closed1)
cv.imshow('outimage1(开运算)', opened1)

cv.waitKey(0)
cv.destroyAllWindows()

关键知识点解析

1. 开 / 闭运算本质

运算类型	执行顺序	核心作用	适用场景
开运算	腐蚀 → 膨胀	消除小的白色噪点、分离粘连区域	去除图像中的点状噪声
闭运算	膨胀 → 腐蚀	填补小的黑色孔洞、连接断裂区域	修复目标区域的缝隙 / 孔洞

2. 核心参数说明

cv.morphologyEx：形态学运算核心 API，第一个参数为输入图像（需二值化），第二个参数指定运算类型，第三个参数为结构元素；
结构元素（kernel）：cv.getStructuringElement(MORPH_RECT, (5,3)) 创建矩形核，尺寸越大运算效果越显著，可根据噪点 / 孔洞大小调整；
二值化前提：形态学开 / 闭运算对二值图效果最佳，需先将灰度图转为二值图。

3. 实操注意事项

核的尺寸：噪点小则用小核（如 3×3），噪点大则用大核（如 7×7），避免过度运算导致目标轮廓变形；
阈值适配：二值化阈值（示例中 120）需根据图像明暗调整，确保目标区域与背景区分清晰；
运算顺序：开 / 闭运算的核心是 "先腐蚀后膨胀" 和 "先膨胀后腐蚀"，顺序不可颠倒。

总结

开运算适合消除白色噪点，闭运算适合填补黑色孔洞，是二值图预处理的高频技巧；
形态学开 / 闭运算依赖结构元素，核的尺寸需根据图像实际情况调整；
操作前需将图像转为二值图，才能保证运算效果。