第8篇｜OpenCV形态学操作🔨修复轮廓，分离粘连目标

上一篇我们学习了轮廓检测与形状分析，能识别目标的形状、计算目标参数，但实际场景中，我们得到的轮廓往往存在缺陷——比如轮廓有缺口、有噪声杂点，或者多个目标粘连在一起，导致轮廓检测不准确、形状识别错误。

今天我们就来学习OpenCV中的形态学操作，作用是修饰轮廓、分离粘连，通过简单的数学运算，让轮廓更完整、更清晰。

📌 原理

形态学操作的核心是“基于结构元素（一个小的矩阵），对二值化图像的轮廓进行操作”，最基础的两个操作是腐蚀和膨胀。

概念：结构元素（通常是3×3、5×5的正方形矩阵），相当于一个“模板”，用这个模板遍历图像的每个像素，根据模板与像素的对应关系，修改像素值，从而实现轮廓的修饰。

1. 腐蚀（Erosion）

效果：收缩轮廓，去除小的噪声杂点，让轮廓变细。

原理：用结构元素遍历图像，若结构元素覆盖的区域内，所有像素都是白色（255），则该像素保留为白色；否则，将该像素设为黑色（0）。简单来说，就是收缩轮廓的边缘，吃掉杂点。

适用场景：去除图像中的小噪声、细化轮廓、分离轻微粘连的目标。

2. 膨胀（Dilation）

效果：扩张轮廓，填补轮廓的小缺口，让轮廓变粗。

原理：用结构元素遍历图像，若结构元素覆盖的区域内，有一个像素是白色（255），则该像素设为白色；否则，保留为黑色。就是扩张轮廓的边缘，填补小缺口。

适用场景：修复轮廓的小缺口、连接断裂的轮廓、加粗轮廓。

3. 开运算与闭运算（组合操作）

开运算和闭运算是腐蚀和膨胀的组合，针对性解决更复杂的轮廓问题：

• 开运算（Opening）：先腐蚀，后膨胀。核心效果：去除小噪声，同时基本保持轮廓的原始大小和形状（避免腐蚀后轮廓变细），适合噪声多、轮廓完整的场景。

• 闭运算（Closing）：先膨胀，后腐蚀。核心效果：填补轮廓的小缺口，同时基本保持轮廓的原始大小和形状（避免膨胀后轮廓变粗），适合轮廓有缺口、无明显噪声的场景。

🔧 形态学操作

OpenCV中，形态学操作的核心函数是cv2.erode()（腐蚀）、cv2.dilate()（膨胀）、cv2.morphologyEx()（开运算、闭运算等组合操作）。

腐蚀与膨胀

import cv2import numpy as np# 读取图像并二值化，目标为白色，背景为黑色img = cv2.imread("test.png")img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, img_binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)# 定义结构元素（3×3正方形矩阵）kernel = np.ones((3, 3), np.uint8)# 腐蚀操作（迭代越多，腐蚀越明显）erosion = cv2.erode(img_binary, kernel, iterations=3)# 膨胀操作（迭代越多，膨胀越明显）dilation = cv2.dilate(img_binary, kernel, iterations=3)cv2.imshow("Original Binary Image", img_binary)cv2.imshow("Erosion Operation", erosion)cv2.imshow("Dilation Operation", dilation)cv2.waitKey(0)cv2.destroyAllWindows()

（膨胀）

（腐蚀）

开运算与闭运算

import cv2import numpy as np# 预处理img = cv2.imread("test.png")img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, img_binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)kernel = np.ones((3, 3), np.uint8)# 开运算opening = cv2.morphologyEx(img_binary, cv2.MORPH_OPEN, kernel)# 闭运算closing = cv2.morphologyEx(img_binary, cv2.MORPH_CLOSE, kernel)cv2.imshow("Original Binary Image", img_binary)cv2.imshow("Opening Operation", opening)cv2.imshow("Closing Operation", closing)cv2.waitKey(0)cv2.destroyAllWindows()

分离粘连目标（开运算+腐蚀）

现实中，经常遇到“多个目标粘连在一起”的情况，此时可以通过“开运算+腐蚀”的组合操作，分离粘连目标。

import cv2import numpy as np# 预处理img = cv2.imread("test.png")img_copy = img.copy()img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, img_binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)# 定义结构元素（5×5正方形矩阵）kernel = np.ones((5, 5), np.uint8)# 开运算去除噪声，再腐蚀分离粘连目标opening = cv2.morphologyEx(img_binary, cv2.MORPH_OPEN, kernel)erosion = cv2.erode(opening, kernel, iterations=2)  # 迭代2次，增强分离效果# 4. 轮廓检测，验证效果contours, _ = cv2.findContours(erosion, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(img_copy, contours, -1, (0, 255, 0), 2)cv2.imshow("Original Image", img)cv2.imshow("Separated Targets", img_copy)cv2.waitKey(0)cv2.destroyAllWindows()print("分离后的目标数量：", len(contours))

📊 四种形态学操作对比

• 腐蚀：收缩轮廓、去噪声，适合噪声多、轮廓粗的场景；

• 膨胀：扩张轮廓、补缺口，适合轮廓有缺口、断裂的场景；

• 开运算：先腐蚀后膨胀，去噪声且不改变轮廓大小，适合噪声多、轮廓完整的场景；

• 闭运算：先膨胀后腐蚀，补缺口且不改变轮廓大小，适合轮廓有缺口、无噪声的场景。

💡注意事项

• 结构元素大小设计 常用3×3、5×5的正方形矩阵；目标越大、粘连越严重，结构元素越大；迭代次数越多，操作效果越明显（但不宜过多）。

• 分离粘连目标效果不好 增大结构元素尺寸，增加腐蚀的迭代次数；或先进行开运算去除噪声，再腐蚀分离。

• 轮廓失真 避免过度腐蚀/膨胀，迭代次数控制在1-3次；若轮廓失真严重，减小结构元素尺寸。

📌 第8篇小结+预告

本篇我们学习了四种常用的形态学操作——腐蚀、膨胀、开运算、闭运算，了解了每种操作的原理和适用场景，。

下篇我们讲OpenCV的一个案例——人脸检测。

往期回顾：