计算机视觉--Opencv（图像形态学）

一、什么是形态学

图像形态学是一种处理图像形状特征的图像处理技术，主要用于描述和处理图像中的形状和结构。形态学可以用于提取图像中的特征、消除噪声、改变图像的形状等。

图像形态学的本质是利用结构元素（Kernel） 对图像中的像素集合进行遍历和运算，结构元素可以理解为一个固定大小的矩阵（常见 3×3、5×5），决定了形态学操作的作用范围和强度。在 OpenCV 中，我们通常使用np.ones()创建结构元素，数据类型需指定为np.uint8（8 位无符号整数，符合图像像素值的存储格式）。

形态学操作主要针对二值图像（像素值仅为 0 或 255）设计，但也可直接应用于彩色图像（对每个通道分别运算）。其核心逻辑是：用结构元素逐个扫描图像像素，根据结构元素覆盖区域内的像素值分布，按照特定规则更新中心像素值。

图像形态学包括：腐蚀，膨胀，开运算，闭运算，顶帽，黑帽

二、核心形态学操作

1. 腐蚀（Erosion）：收缩图像中的亮区域

原理：腐蚀操作会遍历图像每个像素，仅当结构元素覆盖的所有像素均为前景（亮区域）时，中心像素才保留为前景，否则置为背景。直观来看，腐蚀会让图像中的亮区域 "收缩"，能够去除小的亮噪声、细化轮廓。

代码如下：

python 复制代码

import numpy as np
sun = cv2.imread(r"C:\Users\LEGION\Desktop\e49744045d58d227e7b0e6fb6a78f40f.png")
cv2.imshow('src',sun)
cv2.waitKey(0)

# 创建3×3结构元素，迭代6次
kernel = np.ones((3,3),np.uint8) #设置kenenel大小,核改为5*5试试
erosion_1 = cv2.erode(sun,kernel,iterations=6) #iterations改为5试试t
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(0)

注释：iterations=6表示迭代6次，迭代次数越多，腐蚀越强

kernel：3×3 的全 1 矩阵，决定腐蚀的作用范围；若改为 5×5，腐蚀的 "力度" 会更大。

运行结果：

（左边为原图，右边为处理后的图）

2、膨胀（Dilation）：扩张图像中的亮区域

原理：膨胀与腐蚀是逆操作，遍历像素时只要结构元素覆盖区域内有一个前景像素，中心像素就置为前景。膨胀会让亮区域 "扩张"，可填补亮区域的孔洞、连接断裂的轮廓，常用来增强文字、线条等特征。

代码如下：

python 复制代码

wenzi = cv2.imread(r"C:\Users\LEGION\Desktop\020770f8a876cc367f6e4a9ecca16062.png")
cv2.imshow('src1',wenzi)
cv2.waitKey(0)

#2×2结构元素，迭代8次膨胀
kernel = np.ones((2,2),np.uint8) #设置kenenel大小
wenzi_new = cv2.dilate(wenzi,kernel,iterations=8)
cv2.imshow('wenzi_new',wenzi_new)
cv2.waitKey(0)

运行结果：

（左边为原图，右边为处理后的图）

对于模糊、细弱的文字，膨胀操作能让笔画变粗，提升文字的辨识度。

3. 开运算（MORPH_OPEN）：先腐蚀后膨胀

原理：开运算 = 腐蚀 + 膨胀，核心作用是去除亮噪声、保留主体轮廓。先通过腐蚀消除小的亮噪声点，再通过膨胀恢复主体区域的大小，不会显著改变主体的整体形状。

代码如下：

python 复制代码

zhiwen = cv2.imread(r"C:\Users\LEGION\Desktop\ac124e8ac55daae789ca66981fa85ba6.png")
cv2.imshow( 'src2',zhiwen)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)#设置kenenel大小
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel) #开f运算
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(0)

运行结果：

（左边为原图，右边为处理后的图）

指纹图像常存在细小的亮噪声点（如扫描杂质），开运算能精准去除这些噪声，同时保持指纹纹路的完整性，是指纹预处理的经典操作。

4. 闭运算（MORPH_CLOSE）：先膨胀后腐蚀

原理：闭运算 = 膨胀 + 腐蚀，核心作用是填补暗孔洞、连接断裂的亮区域。先通过膨胀填补亮区域中的小暗孔，再通过腐蚀恢复主体轮廓的原始大小。

代码如下：

python 复制代码

zhiwen_duan = cv2.imread(r"C:\Users\LEGION\Desktop\74f556d4bef606797b2cbcf72c00958e.png")
cv2.imshow( 'src3',zhiwen_duan)
cv2.waitKey(0)
kernel=np.ones( (4,4),np.uint8) #设置kenenel大小
zhiwen_new = cv2.morphologyEx(zhiwen_duan,cv2.MORPH_CLOSE,kernel) #闭运算
cv2.imshow('zhiwen_new1',zhiwen_new)
cv2.waitKey(0)

运行结果：

（左边为原图，右边为处理后的图）

指纹纹路若因磨损、扫描问题出现断裂，闭运算可通过先膨胀连接断裂处，再腐蚀还原纹路粗细，有效修复指纹的完整性。

三、进阶形态学操作

1. 形态学梯度（MORPH_GRADIENT）：提取图像边缘

原理：形态学梯度 = 膨胀图像 - 腐蚀图像，能精准提取图像中亮区域的边缘轮廓。因为膨胀会让亮区域向外扩张，腐蚀会让亮区域向内收缩，两者的差值恰好是边缘部分。

代码如下：

python 复制代码

wenzi = cv2.imread('wenzi.png')
cv2.imshow('wenzi',wenzi)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
#膨胀
pz_wenzi = cv2.dilate(wenzi,kernel,iterations=1)
cv2.imshow('pz_wenzi',pz_wenzi)
cv2.waitKey(0)
#腐蚀
fs_wenzi = cv2.erode(wenzi,kernel,iterations=1)
cv2.imshow('fs_wenzi',fs_wenzi)
cv2.waitKey(0)
#膨胀加腐蚀
bianyuan = cv2.morphologyEx(wenzi,cv2.MORPH_OPEN,kernel)
cv2.imshow('dianyuan',bianyuan)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

2. 顶帽（MORPH_TOPHAT）：提取亮细节

原理：顶帽 = 原始图像 - 开运算结果，开运算会去除亮噪声，因此顶帽操作能突出原始图像中比周围区域亮的细节（如小的亮斑点）。

代码如下：

python 复制代码

sun = cv2.imread(r"C:\Users\LEGION\Desktop\e49744045d58d227e7b0e6fb6a78f40f.png")
cv2.imshow( 'sun_yuantu',sun)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8) #设置kenenel大/小
#开运算
open_sun=cv2.morphologyEx(sun,cv2.MORPH_OPEN,kernel)
cv2.imshow( 'open_sun',open_sun)
cv2.waitKey(0)
#顶帽
tophat = cv2.morphologyEx(sun,cv2.MORPH_TOPHAT, kernel)
cv2.imshow('TOPHAT',tophat)
cv2.waitKey(0)

运行结果：

3. 黑帽（MORPH_BLACKHAT）：提取暗细节

原理：黑帽 = 闭运算结果 - 原始图像，闭运算会填补暗孔洞，因此黑帽操作能突出原始图像中比周围区域暗的细节（如小的暗斑点、孔洞）

代码如下：

python 复制代码

sun = cv2.imread(r"C:\Users\LEGION\Desktop\e49744045d58d227e7b0e6fb6a78f40f.png")
cv2.imshow( 'sun_yuantu',sun)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8) #设置kenenel大/小
 #闭运算
close_sun=cv2.morphologyEx(sun,cv2.MORPH_CLOSE, kernel)
cv2.imshow('close_sun',close_sun)
cv2.waitKey(0)
#黑帽
blackhat = cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('BLACKHAT',blackhat)
cv2.waitKey(0)

运行结果：

四、形态学操作的参数选择技巧

1.结构元素大小

小结构元素（2×2、3×3）适合精细操作（如提取文字边缘），大结构元素（4×4、5×5）适合粗粒度处理（如修复断裂的指纹）。

2.迭代次数

迭代次数越多，操作强度越大。腐蚀 / 膨胀的迭代次数需根据图像特征调整，避免过度处理导致主体特征丢失。

3.操作组合

实际应用中常组合多种操作，如先开运算去噪声，再形态学梯度提取边缘，能大幅提升处理效果。