OpenCV 从入门到精通教程-第5章 形态学操作

第5章 形态学操作

形态学操作基于形状，通常作用于二值图像，也可用于灰度图。

5.1 腐蚀与膨胀

• 腐蚀（Erosion）：减小前景物体，消除细小噪声。
• 膨胀（Dilation）：扩大前景区域，填充空洞。

python

kernel = np.ones((5,5), np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
dilation = cv2.dilate(img, kernel, iterations=1)

5.2 开运算、闭运算、形态学梯度、顶帽、黑帽

• 开运算 = 先腐蚀再膨胀 → 消除小物体、分离连接区域。
• 闭运算 = 先膨胀再腐蚀 → 填充前景物体内部的小孔、连接邻近区域。
• 形态学梯度 = 膨胀图 – 腐蚀图 → 提取边缘。
• 顶帽（Top Hat） = 原图 – 开运算 → 提取比周围亮的区域。
• 黑帽（Black Hat） = 闭运算 – 原图 → 提取比周围暗的区域。

python

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

5.3 应用实例

提取物体边界 = 膨胀图 – 腐蚀图，或者使用形态学梯度。
去除小噪声：先开运算去掉白点，如果噪声是黑点则可使用闭运算。

---

第6章 图像阈值与分割

6.1 全局阈值与自适应阈值

阈值处理是将灰度图转换为二值图的基本操作。

python

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 全局固定阈值 (阈值, 最大值, 类型)
_, thresh_binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
_, thresh_inv = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

自适应阈值：根据像素邻域局部计算阈值，适合光照不均的图像。

python

adaptive = cv2.adaptiveThreshold(gray, 255, 
                cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                cv2.THRESH_BINARY, 11, 2)   # 块大小11，常数C=2

6.2 Otsu 二值化

Otsu 方法自动计算最佳阈值，适用于双峰直方图图像。

python

_, otsu = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

不必手动指定阈值，算法自动寻找最小化类内方差的阈值。

6.3 分水岭算法简介

分水岭算法是一种基于拓扑的图像分割方法，可分离相互接触的物体。简要步骤：

1. 通过距离变换获取“种子”区域（前景标记）。
2. 生成未知区域，使用 cv2.watershed。

python

# 简单示例（需要预处理）
ret, markers = cv2.connectedComponents(sure_fg)
markers = markers + 1
markers[unknown==255] = 0
markers = cv2.watershed(img, markers)
img[markers == -1] = [0,0,255]   # 边界标注为红色

分水岭算法对噪声较敏感，通常需要预处理降噪。

---

第7章 轮廓分析

轮廓是图像中连续点的集合，常用于形状分析、目标检测。

7.1 查找与绘制轮廓

python

# 使用二值图像查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制所有轮廓（-1 表示所有轮廓, (0,255,0) 为绿色, 线宽2）
cv2.drawContours(img, contours, -1, (0,255,0), 2)

7.2 轮廓特征

对于每个轮廓，可以计算诸多特征：

python

cnt = contours[0]
area = cv2.contourArea(cnt)               # 面积
perimeter = cv2.arcLength(cnt, True)      # 周长（True表示闭合）
x, y, w, h = cv2.boundingRect(cnt)        # 直边界矩形
rect = cv2.minAreaRect(cnt)               # 最小外接旋转矩形
box = cv2.boxPoints(rect)                 # 获取四个顶点坐标（float）
box = np.int0(box)                        # 取整
(x_c,y_c), radius = cv2.minEnclosingCircle(cnt)  # 最小外接圆

获取矩（moments）可计算质心：

python

M = cv2.moments(cnt)
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])

7.3 轮廓近似与凸包

轮廓近似（Douglas-Peucker 算法）：

python

epsilon = 0.01 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)

可用于形状识别，例如一个四边形 approx 长度为4。

凸包（Convex Hull）：

python

hull = cv2.convexHull(cnt)

用于凸缺陷检测。

7.4 形状匹配

使用 cv2.matchShapes 基于 Hu 矩比较形状相似度，返回值越小越相似。

python

ret = cv2.matchShapes(cnt1, cnt2, cv2.CONTOURS_MATCH_I2, 0.0)

---