Opencv 学习笔记：腐蚀操作 + 轮廓标记 + 分水岭分割

腐蚀是形态学操作的核心，常与轮廓分析、分水岭算法结合实现图像分割。本文整合「腐蚀去噪→轮廓标记→分水岭分割」全流程，演示从预处理到最终分割的完整逻辑，新手可直接复用。

核心代码实现

python 复制代码

import cv2 as cv
import numpy as np

# 1. 读取图像并初始化（补充完整流程）
src = cv.imread('./image/test.bmp')  # 替换为你的图像路径
if src is None:
    print('图像读取失败，请检查路径！')
    exit()
srcss = src.copy()  # 分水岭分割画布
result4 = src.copy()  # 腐蚀输入图像（需为单通道二值图，此处补充预处理）

# 预处理：转为灰度图→二值化（腐蚀操作的前提）
gray = cv.cvtColor(result4, cv.COLOR_BGR2GRAY)
ret, result4 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

# 2. 腐蚀操作（核心：去除小噪点，强化前景轮廓）
# 创建结构化元素：9×9矩形核（尺寸越大，腐蚀越强）
kernel = cv.getStructuringElement(cv.MORPH_RECT, (9, 9))
result5 = cv.erode(result4, kernel)  # 执行腐蚀

# 3. 轮廓检测（基于腐蚀后的图像）
result6 = np.uint8(result5)  # 确保为uint8格式（轮廓检测要求）
contours, hierarchy = cv.findContours(result6, cv.RETR_CCOMP, cv.CHAIN_APPROX_SIMPLE)

# 4. 轮廓标记（为分水岭算法生成标记图）
# 初始化标记图：float32类型，尺寸与原图一致
result7 = np.zeros((src.shape[0], src.shape[1]), np.float32)
# 遍历轮廓，为每个轮廓分配唯一标记值（从5开始，避免与背景冲突）
for i, contour in enumerate(contours):
    cv.drawContours(result7, contours, i, i+5, 1)  # 标记值=i+5，线宽1

# 5. 执行分水岭分割
cv.watershed(srcss, result7)
# 标注分割边界（标记值为-1的区域是分割线）
srcss[result7 == -1] = [0, 0, 255]  # 分割线标红

# 6. 显示结果
cv.namedWindow('腐蚀结果', cv.WINDOW_NORMAL)
cv.resizeWindow('腐蚀结果', 600, 600)
cv.imshow('腐蚀结果', result5)

cv.namedWindow('轮廓标记图', cv.WINDOW_NORMAL)
cv.resizeWindow('轮廓标记图', 600, 600)
cv.imshow('轮廓标记图', result7 / result7.max() * 255)  # 归一化显示

cv.namedWindow('分水岭分割结果', cv.WINDOW_NORMAL)
cv.resizeWindow('分水岭分割结果', 600, 600)
cv.imshow('分水岭分割结果', srcss)

cv.waitKeyEx(0)
cv.destroyAllWindows()

关键知识点解析

1. 核心流程拆解

步骤	核心 API	作用说明
腐蚀操作	`cv.erode()`	用 9×9 矩形核腐蚀图像，消除小噪点，让前景轮廓更清晰
轮廓检测	`cv.findContours()`	提取腐蚀后图像的轮廓，为分水岭提供前景标记
轮廓标记	`cv.drawContours()`	为每个轮廓分配唯一数值标记（i+5），生成分水岭标记图
分水岭分割	`cv.watershed()`	基于标记图分割图像，`result7 == -1`为分割边界

2. 核心参数与避坑点

腐蚀核参数 ：cv.getStructuringElement(cv.MORPH_RECT, (9,9))：矩形核尺寸越大，腐蚀效果越强，需根据图像噪点大小调整（小噪点用 3×3，大噪点用 9×9）；
轮廓标记值：标记值从 5 开始（而非 0/1），避免与分水岭算法的「背景（0）」「未知区域（1）」冲突，是分割成功的关键；
数据类型要求 ：
- 轮廓检测输入必须为uint8类型，因此需result6 = np.uint8(result5)；
- 分水岭标记图必须为float32类型，因此初始化result7时指定np.float32；
分割边界标注 ：watershed执行后，标记图中值为-1的像素是分割边界，用红色标注可直观验证分割效果。

3. 形态学操作扩展

操作	API	作用
膨胀	`cv.dilate()`	与腐蚀相反，扩大前景区域，修复轮廓断裂
开运算	`cv.morphologyEx(src, cv.MORPH_OPEN, kernel)`	先腐蚀后膨胀，去除小噪点且不改变前景大小
闭运算	`cv.morphologyEx(src, cv.MORPH_CLOSE, kernel)`	先膨胀后腐蚀，填充前景孔洞

总结

腐蚀操作是分水岭分割的关键预处理，核心作用是去除小噪点、强化前景轮廓，核尺寸需适配噪点大小；
分水岭算法的核心是「标记图」：轮廓标记值需避开 0/1，避免与背景 / 未知区域冲突；
数据类型严格匹配（轮廓检测→uint8，分水岭标记图→float32）是流程运行的基础。