OpenCV基础图像形态学和边缘检测本文基于 OpenCV 计算机视觉课程课件与配套示例代码整理系统讲解图像形态学形态学运算与图像边缘检测边缘检测算子两大部分。一、图像形态学1. 什么是图像形态学图像形态学Mathematical Morphology是一种处理图像形状特征的图像处理技术主要用于描述和处理图像中的形状与结构。形态学运算可以用于提取图像中的特征消除噪声改变图像的形状如细化、加粗、断开、连接等形态学运算的核心是结构元素kernel/结构算子它的形状和大小会直接影响处理效果。常见形态学运算包括运算说明腐蚀Erode缩小边界消除细小突出物膨胀Dilate扩大边界连接相邻区域开运算Opening先腐蚀后膨胀闭运算Closing先膨胀后腐蚀梯度运算Gradient膨胀 − 腐蚀顶帽Top Hat原图 − 开运算黑帽Black Hat闭运算 − 原图形态学运算通常在二值图像上进行但 OpenCV 也支持对灰度/彩色图像操作。接下来对图像形态学各种运算进行说明。importcv2# 导入 OpenCV 计算机视觉库用于图像处理importnumpyasnp# 导入 NumPy 科学计算库用于数组操作和数学运算2. 图像腐蚀 cv2.erode腐蚀的作用是让图像中的高亮区域白色“瘦身”可以消除小的白色噪点、断开两个物体间细小的连接。函数原型cv2.erode(src,kernel,dst,anchor,iterations,borderType,borderValue)参数说明src输入图像kernel结构元素形状和大小直接影响腐蚀效果dst与 src 相同大小和类型的输出图像iterations腐蚀迭代次数默认 1。次数越多腐蚀越明显示例对sun.png用 5×5 结构元素腐蚀 2 次。suncv2.imread(sun.png)# 读取太阳图像文件cv2.imshow(sun,sun)# 显示原始图像cv2.waitKey(0)kernelnp.ones((5,5),np.uint8)# 创建5x5的全1矩阵作为结构元素腐蚀核erosion1cv2.erode(sun,kernel,iterations2)# 腐蚀操作迭代2次增强效果cv2.imshow(erosion1,erosion1)# 显示腐蚀后的图像cv2.waitKey(0)cv2.destroyAllWindows()运行效果左原图右腐蚀结果可以看到太阳光芒明显变细、变短。3. 图像膨胀 cv2.dilate膨胀与腐蚀相反作用是让高亮区域长胖可以填补物体内部的小空洞、连接断裂的笔画。函数原型cv2.dilate(img,kernel,iterations)参数说明img目标图片kernel进行操作的内核默认 3×3iterations膨胀次数默认 1示例对wenzi.png文字图膨胀 1 次让文字笔画变粗。wenzicv2.imread(wenzi.png)# 读取文字图像cv2.imshow(wenzi,wenzi)# 显示原始文字图像cv2.waitKey(0)kernelnp.ones((3,3),np.uint8)# 创建3x3的结构元素用于膨胀操作wenzi_newcv2.dilate(wenzi,kernel,iterations1)# 膨胀操作迭代1次cv2.imshow(wenzi_new,wenzi_new)# 显示膨胀后的图像cv2.waitKey(0)cv2.destroyAllWindows()运行效果左原图右膨胀结果文字笔画明显加粗。4. 开运算与闭运算 cv2.morphologyEx开运算和闭运算通过cv2.morphologyEx()一次完成本质是腐蚀与膨胀的组合。4.1 开运算MORPH_OPEN开运算 先腐蚀后膨胀。作用平滑物体轮廓断开较窄的狭颈消除细小的突出物白色小噪点。常用于去噪点。zhiwencv2.imread(zhiwen.png)# 读取带噪点的指纹图像cv2.imshow(zhiwen,zhiwen)# 显示原始指纹图像cv2.waitKey(0)kernelnp.ones((3,3),np.uint8)# 创建3x3的结构元素zhiwen_newcv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel)# 开运算先腐蚀后膨胀去除细小噪点cv2.imshow(zhiwen_new,zhiwen_new)# 显示开运算结果cv2.waitKey(0)cv2.destroyAllWindows()运行效果左原图右开运算指纹上的细小噪点被去除主体保留。4.2 闭运算MORPH_CLOSE闭运算 先膨胀后腐蚀。作用弥合较窄的间断和细长的沟壑消除小的孔洞填补轮廓线。常用于填补断裂。zhiwen_duancv2.imread(zhiwen_duan.png)# 读取断裂的指纹图像cv2.imshow(zhiwen_duan,zhiwen_duan)# 显示原始断裂指纹cv2.waitKey(0)kernelnp.ones((3,3),np.uint8)# 创建3x3的结构元素zhiwen_new1cv2.morphologyEx(zhiwen_duan,cv2.MORPH_CLOSE,kernel)# 闭运算先膨胀后腐蚀填补断裂cv2.imshow(zhiwen_new1,zhiwen_new1)# 显示闭运算结果cv2.waitKey(0)cv2.destroyAllWindows()运行效果左原图右闭运算指纹中的断裂被弥合但是较大的断裂难以填补。记忆技巧开运算打开细小连接去毛刺闭运算关闭细小孔洞补缝隙。5. 梯度运算MORPH_GRADIENT梯度运算 膨胀 − 腐蚀。作用突出显示图像中强度变化剧烈的地方常用于提取物体的边缘轮廓。wenzicv2.imread(wenzi.png)# 读取文字图像cv2.imshow(wenzi,wenzi)# 显示原始文字图像cv2.waitKey(0)kernelnp.ones((2,2),np.uint8)# 创建2x2的结构元素# 膨胀pz_wenzicv2.dilate(wenzi,kernel,iterations1)# 膨胀操作使文字笔画变粗cv2.imshow(pz_wenzi,pz_wenzi)# 显示膨胀结果cv2.waitKey(0)# 腐蚀fs_wenzicv2.erode(wenzi,kernel,iterations1)# 腐蚀操作使文字笔画变细cv2.imshow(fs_wenzi,fs_wenzi)# 显示腐蚀结果cv2.waitKey(0)# 膨胀 - 腐蚀gradientcv2.morphologyEx(wenzi,cv2.MORPH_GRADIENT,kernel)# 梯度运算膨胀减腐蚀提取轮廓cv2.imshow(gradient,gradient)# 显示梯度运算结果cv2.waitKey(0)cv2.destroyAllWindows()运行效果从左到右从上到下依次为原图 → 膨胀 → 腐蚀 → 梯度。右下角即为提取出的文字轮廓。6. 顶帽与黑帽顶帽与黑帽用于提取比周围区域更亮或更暗的细节。顶帽Top Hat 原始图像 − 开运算结果用于提取比周围区域亮的细节黑帽Black Hat 闭运算结果 − 原始图像用于提取比周围区域暗的细节suncv2.imread(sun.png)# 读取太阳图像cv2.imshow(sun,sun)# 显示原始图像cv2.waitKey(0)# 等待按键kernelnp.ones((2,2),np.uint8)# 创建2x2的结构元素# 开运算open_suncv2.morphologyEx(sun,cv2.MORPH_OPEN,kernel)# 开运算先腐蚀后膨胀去除细小噪点cv2.imshow(open_sun,open_sun)# 显示开运算结果cv2.waitKey(0)# 顶帽两种等价写法tophatcv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel)# 方法1直接使用顶帽运算tophat1sun-open_sun# 方法2原图减去开运算结果提取比周围亮的细节cv2.imshow(tophat,tophat)# 显示顶帽结果方法1cv2.imshow(tophat1,tophat1)# 显示顶帽结果方法2cv2.waitKey(0)# 闭运算close_suncv2.morphologyEx(sun,cv2.MORPH_CLOSE,kernel)# 闭运算先膨胀后腐蚀填补细小孔洞cv2.imshow(close_sun,close_sun)# 显示闭运算结果cv2.waitKey(0)# 黑帽两种等价写法blackhatcv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)# 方法1直接使用黑帽运算blackhat1close_sun-sun# 方法2闭运算结果减去原图提取比周围暗的细节cv2.imshow(blackhat,blackhat)# 显示黑帽结果方法1cv2.imshow(blackhat1,blackhat1)# 显示黑帽结果方法2cv2.waitKey(0)cv2.destroyAllWindows()顶帽效果依次为原图 → 开运算 → 顶帽顶帽突出了原图中比邻域亮的细小区域。黑帽效果依次为原图 → 闭运算 → 黑帽黑帽突出了原图中比邻域暗的细小区域。顶帽/黑帽常用于非均匀光照背景下的目标提取开运算估计背景原图减去背景即可得到目标。二、图像边缘检测1. 什么是边缘检测边缘检测是图像处理、计算机视觉和机器视觉中的基本工具通常用于特征提取和特征检测旨在检测数字图像中有明显变化的边缘或不连续的区域。边缘是图像中灰度发生剧烈变化的像素点的集合本质是图像梯度的极值点。常用边缘检测算子Sobel 算子Scharr 算子Laplacian 算子Canny 边缘检测2. Sobel 算子 cv2.SobelSobel 算子是一种离散的微分算子结合了高斯平滑和微分求导利用局部差分寻找边缘计算结果是梯度的近似值。Sobel 算子包含 2 组 3×3 矩阵横向和纵向模板分别与图像卷积可得到 X 方向和 Y 方向的亮度差分近似值。函数原型cv2.Sobel(src,ddepth,dx,dy,ksize,scale,delta,borderType)参数说明src输入图像ddepth输出图像深度-1表示与原图相同dx, dydx1,dy0求 X 方向一阶导数dx0,dy1求 Y 方向一阶导数不建议同时为 1ksizeSobel 算子大小必须为 1、3、5 或 7默认 3⚠ 一个关键陷阱负梯度会丢失uint8无法表示负数。当从黑到白左暗右亮时X 方向导数为正从白到黑时为负。若ddepth-1负值会被截断为 0导致只检测到一半边缘。解决方法将ddepth设为cv2.CV_64Ffloat64可保存负数再用cv2.convertScaleAbs()取绝对值转回uint8。yuancv2.imread(yuan.png)# 读取示例图像cv2.imshow(yuan,yuan)# 显示原始图像cv2.waitKey(0)# x 方向上的边缘uint8右侧负数信息丢失yuan_xcv2.Sobel(yuan,-1,1,0)# 使用默认uint8类型负梯度信息会丢失cv2.imshow(yuan_x,yuan_x)# 显示X方向Sobel结果有信息丢失cv2.waitKey(0)# x 方向上的边缘包括负数信息但显示不出来范围 0~255yuan_x_64cv2.Sobel(yuan,cv2.CV_64F,1,0)# 使用float64类型保存负数信息cv2.imshow(yuan_x_64,yuan_x_64)# 显示float64结果显示不正常因为包含负数cv2.waitKey(0)# 取绝对值右端负值信息就能显示出来了yuan_x_fullcv2.convertScaleAbs(yuan_x_64)# 取绝对值并转换为uint8cv2.imshow(yuan_x_full,yuan_x_full)# 显示完整的X方向边缘cv2.waitKey(0)# y 方向上的边缘同理处理yuan_y_64cv2.Sobel(yuan,cv2.CV_64F,0,1)# Y方向Sobel使用float64yuan_y_fullcv2.convertScaleAbs(yuan_y_64)# 取绝对值转换cv2.imshow(yuan_y_full,yuan_y_full)# 显示完整的Y方向边缘cv2.waitKey(0)# 同时使用 x,y 方向不建议yuan_xycv2.Sobel(yuan,-1,1,1)# 同时计算X和Y方向不推荐效果不佳cv2.imshow(yuan_xy,yuan_xy)# 显示同时计算的结果cv2.waitKey(0)# 推荐做法用加权运算组合 x 和 y 两个方向的结果yuan_xy_fullcv2.addWeighted(yuan_x_full,1,yuan_y_full,1,0)# 加权组合X和Y方向cv2.imshow(yuan_xy_full,yuan_xy_full)# 显示完整的边缘检测结果cv2.waitKey(0)cv2.destroyAllWindows()X 方向边缘效果**左原图右 X 方向 Sobel只检出竖直方向的边缘。y 方向边缘效果**左原图右 y方向 Sobel只检出横向方向的边缘。X、Y 及组合效果从左到右从上到下依次为原图 → X 方向 → Y 方向 → XY 加权组合。用 Sobel 处理真实图像 Tom.jpgimgcv2.imread(Tom.jpg)# 读取真实图像Tom.jpgcv2.imshow(Tom_yuantu,img)# 显示原始图像cv2.waitKey(0)img_x_64cv2.Sobel(img,cv2.CV_64F,1,0)# X方向Sobel使用float64保存负数img_x_fullcv2.convertScaleAbs(img_x_64)# 取绝对值转换为uint8img_y_64cv2.Sobel(img,cv2.CV_64F,0,1)# Y方向Sobel使用float64保存负数img_y_fullcv2.convertScaleAbs(img_y_64)# 取绝对值转换为uint8img_xy_fullcv2.addWeighted(img_x_full,1,img_y_full,1,0)# 加权组合X和Y方向结果cv2.imshow(img_xy_full,img_xy_full)# 显示完整的Sobel边缘检测结果cv2.waitKey(0)cv2.destroyAllWindows()运行效果左原图右 Sobel 组合边缘。3. Scharr 算子 cv2.ScharrScharr 算子是 Sobel 算子在ksize3时的优化版本与 Sobel 速度相同但精度更高。Scharr 与 Sobel 的不同在于平滑部分Scharr 中心元素权重更重相当于使用较小标准差的高斯函数更瘦高的模板因此对细微边缘更敏感。imgcv2.imread(Tom.jpg)# 读取Tom.jpg图像img_x_64cv2.Scharr(img,cv2.CV_64F,1,0)# X方向Scharr算子使用float64保存负数img_x_fullcv2.convertScaleAbs(img_x_64)# 取绝对值转换为uint8img_y_64cv2.Scharr(img,cv2.CV_64F,0,1)# Y方向Scharr算子使用float64保存负数img_y_fullcv2.convertScaleAbs(img_y_64)# 取绝对值转换为uint8img_xy_Scarr_fullcv2.addWeighted(img_y_full,1,img_x_full,1,0)# 加权组合X和Y方向cv2.imshow(img_xy_Scarr_full,img_xy_Scarr_full)# 显示Scharr边缘检测结果cv2.waitKey(0)运行效果左原图右 Scharr 组合边缘相比 Sobel细节边缘更丰富。4. Laplacian 算子 cv2.LaplacianLaplacian拉普拉斯算子是二阶微分算子。它不再分别计算 X 和 Y 方向而是以圆方向计算变化率因此不需要 GxGy 组合能更敏感地检测到灰度突变点但对噪声也较敏感常配合高斯滤波使用。函数原型cv2.Laplacian(src,ddepth,ksize,scale,delta,borderType)参数说明Tomcv2.imread(Tom.jpg,cv2.IMREAD_GRAYSCALE)# 转为灰度图Laplacian算子通常在灰度图上效果更好Tom_lapcv2.Laplacian(Tom,cv2.CV_64F,ksize3)# 应用Laplacian算子使用float64保存结果Tom_lap_fullcv2.convertScaleAbs(Tom_lap)# 取绝对值并转换为uint8类型便于显示cv2.imshow(Tom_lap_full,Tom_lap_full)# 显示Laplacian边缘检测结果cv2.waitKey(0)运行效果左灰度原图右 Laplacian 边缘。5. Canny 边缘检测 cv2.CannyCanny 边缘检测是一种多阶段最优边缘检测算法是工程中最常用的边缘检测方法。Canny 的优点低错误率检测到的边缘尽可能都是真实边缘较好地定位边缘点标记的边缘点与真实边缘中心尽量接近单一边缘响应图像中的边缘只标记一次Canny 算法分为 4 个步骤图像降噪用高斯滤波去除噪点避免干扰梯度计算用 Sobel 算子计算梯度幅值与方向非极大值抑制NMS在梯度方向上找最大值作为边缘其余抑制为 0细化粗边缘双阈值边界跟踪设置高阈值fH和低阈值fL高于fH的保留为强边缘低于fL的丢弃介于两者之间的只有与强边缘相连才保留函数原型cv2.Canny(image,threshold1,threshold2,apertureSize,L2gradient)参数说明image输入图像threshold1第一个阈值低阈值fLthreshold2第二个阈值高阈值fHTomcv2.imread(Tom.jpg,cv2.IMREAD_GRAYSCALE)# 读取图像并转换为灰度图Canny通常在灰度图上工作cv2.imshow(Tom,Tom)# 显示原始灰度图像cv2.waitKey(0)Tom_cannycv2.Canny(Tom,100,200)# 应用Canny边缘检测低阈值100高阈值200cv2.imshow(Tom_canny,Tom_canny)# 显示Canny边缘检测结果cv2.waitKey(0)cv2.destroyAllWindows()运行效果左灰度原图右 Canny 边缘边缘连续、清晰、细线条质量明显高于前三种算子。阈值经验threshold2 : threshold1通常取2:1 ~ 3:1。低阈值过大会引入噪声高阈值过小会产生断裂边缘。三、四种边缘检测算子对比算子阶数特点适用场景Sobel一阶结合高斯平滑抗噪一般通用计算快Scharr一阶Sobel 的 ksize3 优化版精度更高细小边缘、纹理Laplacian二阶圆方向计算对噪声敏感突变点检测Canny多阶段降噪梯度NMS双阈值边缘最优工程首选四、小结形态学面向形状腐蚀/膨胀是基础开/闭运算用于去噪与补缝梯度提取轮廓顶帽/黑帽在非均匀光照下提取亮/暗细节。关键是合理选择结构元素的大小与迭代次数。边缘检测面向变化一阶算子Sobel/Scharr需注意CV_64FconvertScaleAbs处理负梯度二阶算子Laplacian对噪声敏感Canny 是综合最优方案。关键是合理选择阈值。掌握这两部分就为后续的轮廓检测cv2.findContours、模板匹配、特征点检测Harris/SIFT等高阶应用打下了坚实基础。