Python 图像处理第二十八章｜OpenCV 形态学操作进阶：腐蚀、膨胀、开运算、闭运算、梯度、顶帽黑帽

上一章我们学习了仿射与透视变换，完成了文档倾斜矫正。在 HSV 颜色掩码、二值图、轮廓检测的流程里，经常会出现细碎噪点、小空洞、边缘毛刺，直接拿去找轮廓很容易检出大量无效轮廓。形态学操作就是专门针对二值图像做形状修正的预处理工具。

前置说明：形态学一般作用于二值图（黑白图），白色为前景目标，黑色为背景；也可以作用于灰度图。核心都是基于卷积核（结构元 kernel）滑动扫描图像。

一、基础：腐蚀 erode 与膨胀 dilate

腐蚀和膨胀是所有形态学运算的基石，其余运算都是这两个的组合。

结构元 kernel：一个矩形、椭圆或十字形矩阵，我们可以用 cv2.getStructuringElement() 创建。

python 复制代码

# 生成结构元，ksize 是核大小，越大效果越强
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

1. 腐蚀 cv2.erode

腐蚀：吃掉前景白色区域的边缘，白色区域缩小。

作用：消除细小白色噪点、断开两个挨得很近的目标、磨平毛刺。

原理：核覆盖区域只要有一个像素是黑色，锚点位置就变黑。

python 复制代码

import cv2
import numpy as np

img = cv2.imread(r"D:\PYTHON\binary_mask.jpg")

if img is None:
    print("图片读取失败！")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#5×5 矩形核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
erode_img = cv2.erode(gray, kernel, iterations=1)

cv2.imshow("原图二值掩码", gray)
cv2.imshow("腐蚀结果", erode_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 膨胀 cv2.dilate

膨胀：扩张前景白色区域，白色区域变大，向外"长胖"。

作用：填补目标内部小孔洞、连接距离很近的断裂线条、把分开的碎片合并。

原理：核覆盖区域只要有一个像素是白色，锚点位置就变白。

python 复制代码

import cv2
import numpy as np

img = cv2.imread(r"D:\PYTHON\binary_mask.jpg")

if img is None:
    print("图片读取失败！")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
dilate_img = cv2.dilate(gray, kernel, iterations=1)

cv2.imshow("原图二值掩码", gray)
cv2.imshow("膨胀结果", dilate_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数 iterations：迭代次数，相当于重复执行该操作，次数越大效果越强。

二、组合运算：开运算、闭运算（最常用在掩码预处理）

OpenCV 提供 cv2.morphologyEx() 统一执行复合形态学操作，不用手动连续调用 erode、dilate。

1. 开运算 MORPH_OPEN

流程：先腐蚀，后膨胀。

核心用途：去掉前景外面细小的白色噪点，目标主体大小基本不变。

适合场景：HSV 颜色掩码里散落的小白噪点、孤立碎斑。

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\mask_noise.jpg")

if img is None:
    print("图片读取失败！")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
open_img = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)

cv2.imshow("带噪掩码", gray)
cv2.imshow("开运算（去外部小白噪点）", open_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 闭运算 MORPH_CLOSE

流程：先膨胀，后腐蚀。

核心用途：填充前景目标内部的黑色小洞、缝隙，目标外轮廓基本不变。

适合场景：掩码目标里面有孔洞、文字笔画断裂、色块内部镂空。

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\mask_hole.jpg")

if img is None:
    print("图片读取失败！")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
close_img = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel)

cv2.imshow("带孔洞掩码", gray)
cv2.imshow("闭运算（填充内部孔洞）", close_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

实操搭配口诀：外噪点开运算，内孔洞闭运算，HSV 掩码预处理经常开运算 + 闭运算连用。

三、进阶形态学：梯度、顶帽、黑帽

1. 形态学梯度 MORPH_GRADIENT

梯度 = 膨胀图 − 腐蚀图。

作用：提取物体轮廓边缘，得到目标的描边。

python 复制代码

gradient_img = cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel)

2. 顶帽（礼帽）MORPH_TOPHAT

顶帽 = 原图 − 开运算图。

作用：提取比核尺寸更小的亮区域，用来提取暗背景上细小亮纹理、微弱亮线条。

3. 黑帽 MORPH_BLACKHAT

黑帽 = 闭运算图 − 原图。

作用：提取比核尺寸更小的暗区域，提取亮目标内部细小暗缝隙、黑点。

四、六种形态学操作完整对比代码

下面把六种操作放在一起运行，方便直观对比效果差异。

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\binary.jpg")

if img is None:
    print("图片读取失败！")
    exit()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
erode = cv2.erode(gray, kernel)
dilate = cv2.dilate(gray, kernel)

open_op = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)
close_op = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel)
gradient = cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel)
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, kernel)
blackhat = cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow("erode 腐蚀", erode)
cv2.imshow("dilate 膨胀", dilate)
cv2.imshow("open 开运算", open_op)
cv2.imshow("close 闭运算", close_op)
cv2.imshow("gradient 梯度", gradient)
cv2.imshow("tophat 顶帽", tophat)
cv2.imshow("blackhat 黑帽", blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()

把同一张二值图依次跑完这六种操作，效果差异其实非常直观：腐蚀让白色前景整体收缩一圈，细小噪点直接消失；膨胀让白色前景向外扩张，小孔洞和断裂缝隙被填上；开运算 先腐蚀后膨胀，只去掉前景外部的零散小白噪点，主体大小基本不变；闭运算 先膨胀后腐蚀，只填补前景内部的黑色小洞，外轮廓基本不变；形态学梯度 输出的是膨胀图与腐蚀图之差，得到的是目标的一圈描边；顶帽输出原图与开运算图之差，突出比核更小的亮区域；黑帽输出闭运算图与原图之差，突出比核更小的暗区域。

建议读者准备一张同时包含外部小噪点、内部小孔洞、细线条和边缘毛刺的二值图，用同一份代码依次运行六种操作，把七张窗口并排观察。这样比分别用不同图片测试更容易看出每种操作到底改变了什么，也更容易理解"开运算去外噪、闭运算填内洞"这类口诀背后的实际画面。

结构元尺寸是影响效果强弱的关键变量，建议固定同一张图，把 ksize 从 3×3 逐步调到 15×15，重点观察以下几点：

3×3：效果最轻微，只对单个像素级的噪点和毛刺起作用，目标主体形状几乎不变，适合作为保底参数。
5×5：日常掩码预处理的常用值，能清掉大部分细小噪点和小孔洞，同时不明显破坏目标轮廓。
7×7 到 9×9：去噪和填洞能力明显增强，但腐蚀会让细笔画、细线条变细甚至断开，膨胀会让相邻目标粘连成一片。
11×11 到 15×15：效果最强，小目标可能被整体腐蚀掉，大目标边缘也会明显变形；此时梯度描边会变粗，顶帽和黑帽提取出的区域也会明显减少。
形状差异：矩形核在水平和垂直方向作用均匀，椭圆核边缘过渡更平滑，十字核只沿水平和垂直方向作用，处理方向性纹理时要优先考虑非正方形核。

一句话总结调参思路：先用小核确认效果方向，再逐步加大核尺寸观察目标是否被破坏，找到"噪点去干净、主体还完整"的那个临界尺寸，通常就是这张图最合适的结构元大小。

五、六种操作速查表

操作	OpenCV 常量	等价组合	主要作用
腐蚀	`cv2.erode`	---	收缩前景，去小噪点
膨胀	`cv2.dilate`	---	扩张前景，填小孔洞
开运算	`cv2.MORPH_OPEN`	先腐蚀后膨胀	去外部噪点，分离目标
闭运算	`cv2.MORPH_CLOSE`	先膨胀后腐蚀	填内部孔洞，连接断裂
形态学梯度	`cv2.MORPH_GRADIENT`	膨胀 − 腐蚀	提取轮廓边缘
顶帽	`cv2.MORPH_TOPHAT`	原图 − 开运算	提取亮小区域
黑帽	`cv2.MORPH_BLACKHAT`	闭运算 − 原图	提取暗小区域

六、综合实战：车牌区域粗定位

下面用一个完整示例演示形态学操作在车牌粗定位中的应用：先灰度化、边缘检测，再用闭运算连接字符，最后用开运算去噪。

python 复制代码

import cv2
import numpy as np

img = cv2.imread("car.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#1. 高斯模糊去噪
blur = cv2.GaussianBlur(gray, (5, 5), 0)

#2. Sobel 水平边缘
sobel_x = cv2.Sobel(blur, cv2.CV_16S, 1, 0, ksize=3)
abs_x = cv2.convertScaleAbs(sobel_x)

#3. 二值化
_, binary = cv2.threshold(abs_x, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)

#4. 闭运算连接字符
kernel_close = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5))
closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel_close)

#5. 开运算去除小噪点
kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
opened = cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel_open)

#6. 查找轮廓
contours, _ = cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    ratio = w / float(h)
    area = cv2.contourArea(cnt)

    # 车牌大致比例 2.5 ~ 5.5，面积过滤
    if 2.5 < ratio < 5.5 and area > 1000:
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow("result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个例子中，闭运算的横向结构元素（17×5）专门用于把横向排列的字符连成一块，开运算则负责清理残留噪点。结构元素的形状和尺寸选择，往往比操作本身更关键。

七、性能与调参建议

优先使用 cv2.morphologyEx：它内部对开闭运算做了优化，比手动先腐蚀再膨胀更快。
结构元素尽量小：3×3 或 5×5 通常足够，过大容易破坏目标形状。
迭代次数替代大核 ：需要更强效果时，可增加 iterations，但要注意计算量。
方向性结构元素：处理横向或纵向纹理时，使用非正方形核（如 1×15、15×1）效果更好。
彩色图像先转灰度：形态学操作通常作用于单通道图像，彩色图需先转换或分通道处理。

八、本章小结

本章系统梳理了 OpenCV 中六种核心形态学操作：腐蚀、膨胀、开运算、闭运算、形态学梯度、顶帽与黑帽。它们本质上都是结构元素与图像局部区域的集合运算，理解"先腐蚀后膨胀""先膨胀后腐蚀"的组合逻辑，就能灵活应对去噪、填洞、连断、提边、提取亮暗小目标等常见需求。

下一章将进入图像轮廓检测与特征分析，继续把形态学处理后的结果转化为可量化的几何信息。