【形态学图像处理：腐蚀、膨胀与边缘检测的核心技术解析】

一、视频椒盐噪声添加与中值滤波

椒盐噪声是图像中常见的噪声类型，表现为随机出现的黑白亮点 / 暗点。我们可以通过编程为视频逐帧添加椒盐噪声，并使用中值滤波进行降噪处理。

1. 核心代码实现

python 复制代码

import cv2
import numpy as np

# 定义添加椒盐噪声的函数
def add_peppersalt_noise(image, n=10000):
    # 避免修改原图，复制帧数据
    result = image.copy()
    # 获取单帧图像的高、宽
    h, w = image.shape[:2]
    # 生成n个噪声点
    for i in range(n):
        # 随机生成噪声点的坐标
        x = np.random.randint(0, h)
        y = np.random.randint(0, w)
        # 随机生成黑色（0）或白色（255）噪声
        if len(image.shape) == 3:  # 彩色图（3通道）
            result[x, y] = [0, 0, 0] if np.random.randint(0, 2) == 0 else [255, 255, 255]
        else:  # 灰度图（单通道）
            result[x, y] = 0 if np.random.randint(0, 2) == 0 else 255
    return result

# 打开视频文件（摄像头用0）
video_capture = cv2.VideoCapture('test.avi')

# 检查视频是否成功打开
if not video_capture.isOpened():
    print("无法打开视频文件/摄像头！")
    exit()

# 循环读取视频帧（逐帧处理）
while True:
    ret, frame = video_capture.read()
    # 读取失败（视频结束）则退出
    if not ret:
        break

    # 对当前帧添加椒盐噪声
    noise_frame = add_peppersalt_noise(frame, n=10000)
    # 中值滤波降噪（核大小为奇数）
    median = cv2.medianBlur(noise_frame, 3)

    # 显示原图、加噪声帧、滤波后帧
    cv2.imshow('原视频', frame)
    cv2.imshow('噪声处理的视频', noise_frame)
    cv2.imshow('平滑处理后的视频', median)
    
    # 按ESC键（27）退出，60ms/帧控制播放速度
    if cv2.waitKey(60) == 27:
        break

# 释放资源，关闭窗口
video_capture.release()
cv2.destroyAllWindows()

2. 关键知识点解析

椒盐噪声生成：通过随机生成坐标点，为像素赋值 0（黑色）或 255（白色），模拟椒盐噪声；
逐帧处理 ：视频本质是连续的图像帧，通过cv2.VideoCapture.read()逐帧读取并处理；
中值滤波 ：cv2.medianBlur()是处理椒盐噪声的最优算法之一，通过取邻域像素中值替换当前像素，有效去除孤立噪声点。

运行结果(出现乱码问题):

二、 PyCharm 及系统配置改为中文模式（完整步骤）

一、步骤 1：

修改 PyCharm 编码配置（保持 UTF-8，适配中文）

UTF-8 是兼容中文的最优编码，无需更换，仅确认配置为中文环境适配：

打开 PyCharm → 点击顶部菜单栏【File】→ 选择【Settings】（快捷键 Ctrl+Alt+S）。
依次展开：【Editor】→【File Encodings】（中文界面下显示：【编辑器】→【文件编码】）。
确保以下 3 个选项全部设置为 UTF-8（中文显示为「UTF-8」）：
- Global Encoding（全局编码）
- Project Encoding（项目编码）
- Default encoding for properties files（属性文件的默认编码）
点击【OK】（中文：【确定】）保存配置。

二、步骤 2：

修改 PyCharm 启动参数（强制中文编码 + 中文界面）

修正原步骤笔误，同时添加中文界面参数，从根源让 PyCharm 显示中文：

打开 PyCharm → 点击顶部菜单栏【Help】→ 选择【Edit Custom VM Options...】（中文：【帮助】→【编辑自定义 VM 选项...】）。
若弹出「是否创建文件」提示，点击【Create】（中文：【创建】）确认。

在打开的文件末尾添加以下 3 行代码（修正原步骤中 -Dconsole.encoding=UTF-8 被拆分的错误）：

python 复制代码

# 强制中文编码（解决中文乱码）
-Dfile.encoding=UTF-8
-Dconsole.encoding=UTF-8
# 强制PyCharm界面显示中文
-Duser.language=zh
-Duser.country=CN

按 Ctrl+S 保存文件 → 关闭 PyCharm 所有窗口，重启 PyCharm 使参数生效。

三、步骤 3：

修改 Windows 系统区域设置（适配中文，解决 OpenCV 乱码）

这是解决 OpenCV 窗口中文乱码的关键，全程中文操作：

按下 Windows 键 + R → 输入 control → 回车，打开【控制面板】。
点击【时钟和区域】（部分系统显示：【时间和语言】→【区域】）。
选择【区域】→ 切换到【管理】选项卡（中文界面：【区域】→【管理】）。
点击【更改系统区域设置】（中文：【更改系统区域设置】）：
- 在弹出的窗口中，「当前系统区域设置」选择【中文 (简体，中国)】。
- 取消勾选【Beta 版：使用 Unicode UTF-8 提供全球语言支持】（这是 OpenCV 窗口中文乱码的核心原因）。
点击【确定】→ 按提示重启电脑，使系统设置生效。

无中文乱码的运行结果：

三、图像形态学操作

形态学操作是基于形状的图像处理方法，核心是通过结构元素（kernel）对图像进行变换，常见操作包括腐蚀、膨胀、开运算、闭运算。

1. 图像腐蚀

腐蚀操作会 "收缩" 图像中的白色区域（前景），可用于去除小的亮斑、细化轮廓。

python 复制代码

import cv2
import numpy as np

# 读取图像
sun = cv2.imread('sun.png')
cv2.imshow('原始图像', sun)

# 定义结构元素（核），大小为3×3，类型为uint8
kernel = np.ones((3, 3), np.uint8)
# 执行腐蚀操作，迭代次数为2
erosion_1 = cv2.erode(sun, kernel, iterations=2)
cv2.imshow('腐蚀后图像', erosion_1)
cv2.waitKey(0)

参数说明：

• kernel：结构元素大小，越大腐蚀效果越明显；

• iterations：迭代次数，次数越多，腐蚀程度越深。

2. 图像膨胀

膨胀操作与腐蚀相反，会 "扩张" 图像中的白色区域，可用于填补前景中的小孔、连接断裂的轮廓。

python 复制代码

# 读取图像
wenzi = cv2.imread('wenzi.png')
cv2.imshow('原始文字图像', wenzi)

# 定义2×2结构元素
kernel = np.ones((2, 2), np.uint8)
# 执行膨胀操作，迭代次数为2
wenzi_new = cv2.dilate(wenzi, kernel, iterations=2)
cv2.imshow('膨胀后文字图像', wenzi_new)
cv2.waitKey(0)

3. 开运算与闭运算

开运算和闭运算是腐蚀、膨胀的组合操作，适用于更复杂的图像修复场景。

（1）开运算：先腐蚀后膨胀

作用：平滑轮廓、断开窄的狭颈、消除细的突出物（如指纹上的毛刺）。

python 复制代码

# 读取指纹图像
zhiwen = cv2.imread('zhiwen.png')
cv2.imshow('原始指纹', zhiwen)

kernel = np.ones((2, 2), np.uint8)
# 开运算：cv2.MORPH_OPEN
zhiwen_open = cv2.morphologyEx(zhiwen, cv2.MORPH_OPEN, kernel)
cv2.imshow('开运算后指纹', zhiwen_open)
cv2.waitKey(0)

（2）闭运算：先膨胀后腐蚀

作用：弥合间断、填补孔洞、连接断裂的轮廓（如修复断裂的指纹）。

python 复制代码

# 读取断裂的指纹图像
zhiwen_duan = cv2.imread('zhiwen_duan.png')
cv2.imshow('断裂指纹', zhiwen_duan)

kernel = np.ones((4, 4), np.uint8)
# 闭运算：cv2.MORPH_CLOSE
zhiwen_close = cv2.morphologyEx(zhiwen_duan, cv2.MORPH_CLOSE, kernel)
cv2.imshow('闭运算后指纹', zhiwen_close)
cv2.waitKey(0)

4. 形态学梯度运算

形态学梯度是膨胀图像 - 腐蚀图像的结果，能够突出图像中灰度变化剧烈的区域（即边缘），常用来提取物体的轮廓。

python 复制代码

import cv2
import numpy as np

# 读取文字图像
wenzi = cv2.imread('wenzi.png')
cv2.imshow('原始文字', wenzi)

# 定义2×2结构元素
kernel = np.ones((2,2), np.uint8)

# 单独执行膨胀操作
pz_wenzi = cv2.dilate(wenzi, kernel, iterations=1)
cv2.imshow('膨胀后文字', pz_wenzi)

# 单独执行腐蚀操作
fs_wenzi = cv2.erode(wenzi, kernel, iterations=1)
cv2.imshow('腐蚀后文字', fs_wenzi)

# 形态学梯度（膨胀-腐蚀）
bianyuan = cv2.morphologyEx(wenzi, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('文字边缘（梯度运算）', bianyuan)

cv2.waitKey(0)
cv2.destroyAllWindows()

原理与作用：

膨胀会让前景区域变大，腐蚀会让前景区域变小，两者的差值恰好能勾勒出前景的边缘；
相比传统边缘检测算法（如 Canny），形态学梯度对低对比度图像的边缘提取更稳定，且计算速度更快。

5. 顶帽与黑帽操作

顶帽和黑帽是基于开运算、闭运算的衍生操作，主要用于提取图像中局部亮 / 暗的细节特征。

（1）顶帽操作（TOPHAT）

公式：顶帽 = 原始图像 - 开运算结果作用：提取比周围区域亮的细节（如深色背景中的亮斑、文字）。

（2）黑帽操作（BLACKHAT）

公式：黑帽 = 闭运算结果 - 原始图像作用：提取比周围区域暗的细节（如浅色背景中的暗斑、瑕疵）。

python 复制代码

import cv2
import numpy as np

# 读取图像
sun = cv2.imread('sun.png')
cv2.imshow('原始图像', sun)

# 定义2×2结构元素
kernel = np.ones((2,2), np.uint8)

# 开运算（用于对比）
open_sun = cv2.morphologyEx(sun, cv2.MORPH_OPEN, kernel)
cv2.imshow('开运算结果', open_sun)

# 顶帽操作
tophat = cv2.morphologyEx(sun, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('顶帽操作结果', tophat)

# 闭运算（用于对比）
close_sun = cv2.morphologyEx(sun, cv2.MORPH_CLOSE, kernel)
cv2.imshow('闭运算结果', close_sun)

# 黑帽操作
blackhat = cv2.morphologyEx(sun, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('黑帽操作结果', blackhat)

cv2.waitKey(0)
cv2.destroyAllWindows()

应用场景：

• 顶帽：检测纸张上的白色划痕、提取复杂背景中的亮色文字；

• 黑帽：检测金属表面的黑色瑕疵、识别织物上的暗斑