在大模型班学算法的笔记记录-形态学

形态学操作是OpenCV中处理二值图像的核心手段，常用于目标检测、图像降噪、轮廓提取等场景

一、核心流程：从原图到二值化

形态学操作的前提是得到干净的二值图像，核心步骤为：灰度图 → 低通滤波 → 二值化。

1. 灰度图转换

彩色图像需先转为灰度图（单通道），减少计算量，聚焦像素亮度信息：

import cv2 import numpy as np # 读取灰度图（参数0表示灰度模式） path = r"/Users/yangjunhui/Desktop/lenaNoise.png" img = cv2.imread(path, 0)

2. 低通滤波：去除噪声

原始图像可能存在椒盐噪声，用高斯滤波（低通滤波的一种）平滑图像，保留主体的同时弱化噪点：

# 高斯滤波：(5,5)为滤波核尺寸，0为标准差（自动计算） blur = cv2.GaussianBlur(img,(5,5),0)

作用：模糊图像边缘，减少后续二值化的噪点干扰。

3. 二值化：黑白分离

将灰度图转为仅含0（黑）、255（白）的二值图像，突出目标区域：

# 二值化：阈值35，超过则设为255（白），否则0（黑） ret, ths1_img = cv2.threshold(blur, 35, 255, cv2.THRESH_BINARY)

关键：阈值需根据图像调整，目标是让主体为白色，背景为黑色。

二、形态学核心操作：腐蚀与膨胀

二值化后，通过腐蚀/膨胀调整目标区域的形态，解决“毛刺”“孔洞”等问题。

1. 先搞懂：形态学核（Kernel）

操作的“工具”是卷积核，决定腐蚀/膨胀的范围和形状：

# 自定义3×3全1核（常用尺寸，可根据需求调整为5×5、7×7等） kernel = np.ones((3,3), np.uint8)

• np.ones((3,3))：生成3行3列全1矩阵，代表以当前像素为中心，覆盖周围8个像素；
• np.uint8：像素值专用类型（0-255），保证计算兼容。

OpenCV也提供预设核（无需手动定义）：

# 矩形核（默认） kernel_rect = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5)) # 椭圆核（更贴合圆形目标） kernel_ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))

2. 腐蚀（Erosion）：去毛刺、瘦化目标

原理

用核扫描每个像素，仅当核覆盖的所有像素都是白色（255）时，中心像素才保留白色，否则设为黑色。

代码实现

# 腐蚀操作：迭代1次（次数越多，腐蚀越强） erosion_img = cv2.erode(ths1_img, kernel, iterations = 1) # 显示结果（自定义显示函数） def show(img, title=''): cv2.imshow(title, img) cv2.waitKey(0) show(erosion_img, '腐蚀后')

效果

• 白色前景区域“收缩”，边缘被侵蚀，细小花絮/毛刺（噪点）被消除；
• 孤立的白色小噪点（如单个像素）会被完全去掉；
• 目标区域之间的窄连接可能被断开。

适用场景：去除二值图中的白色噪点、细化目标边缘。

3. 膨胀（Dilation）：填孔洞、加粗目标

原理

与腐蚀相反，核扫描时只要覆盖区域内有至少一个白色像素，中心像素就设为白色。

代码实现

# 膨胀操作：迭代1次 dilate_img = cv2.dilate(ths1_img, kernel, iterations=1) show(dilate_img, '膨胀后')

效果

• 白色前景区域“扩张”，细小孔洞/断裂处被填充；
• 目标边缘变粗，孤立的黑色小噪点被覆盖；
• 断裂的线条可被重新连接。

适用场景：填补目标区域的黑色孔洞、连接断裂的轮廓。

4. 拓展：形态学梯度

通过“膨胀-腐蚀”“膨胀-原图”或“原图-腐蚀”，可提取目标的边缘像素，得到空心轮廓效果，常用于轮廓检测。

四、完整实战代码

import cv2 import numpy as np # 自定义显示函数 def show(img, title=''): cv2.imshow(title, img) cv2.waitKey(0) cv2.destroyWindow(title) # 关闭窗口，避免占用内存 # 1. 读取灰度图 path = r"/Users/yangjunhui/Desktop/lenaNoise.png" img = cv2.imread(path, 0) show(img, '原始灰度图') # 2. 高斯滤波降噪 blur = cv2.GaussianBlur(img, (5,5), 0) show(blur, '高斯滤波后') # 3. 二值化 ret, ths1_img = cv2.threshold(blur, 35, 255, cv2.THRESH_BINARY) show(ths1_img, '二值化后') # 4. 定义形态学核 kernel = np.ones((3,3), np.uint8) # 5. 腐蚀操作 erosion_img = cv2.erode(ths1_img, kernel, iterations=1) show(erosion_img, '腐蚀后') # 6. 膨胀操作 dilate_img = cv2.dilate(ths1_img, kernel, iterations=1) show(dilate_img, '膨胀后')

五、总结

形态学操作的关键是“先腐蚀去噪，再膨胀修复”（开运算），或“先膨胀填洞，再腐蚀还原”（闭运算），灵活组合可解决大部分二值图处理问题。