OpenCV-Python通用形态学处理：morphologyEx与结构元详解

陈默

发布时间：2026-10-14| 6人浏览过

原创

本文详解OpenCV-Python中通用形态学函数cv2.morphologyEx()的使用，涵盖开运算、闭运算、梯度、顶帽及黑帽运算。同时介绍cv2.getStructuringElement()生成矩形、十字形及椭圆形结构元的方法，提供完整代码示例与效果分析。

通用形态学函数

在前一篇博文中，我们讲解了形态学的基础操作：腐蚀与膨胀。将这两种基础操作进行组合，即可实现开运算、闭运算等更为复杂的形态学处理。

OpenCV库提供了通用的形态学处理函数cv2.morphologyEx()，其完整函数定义如下：


def morphologyEx(src, op, kernel, dst=None, anchor=None, iterations=None, borderType=None, borderValue=None):

上述参数大多已在之前章节介绍过，但需特别注意：输入图像src的数据类型必须为CV_8U、CV_16U、CV_16S、CV_32F或CV_64F中的一种。

此外，函数中还有一个关键参数op，用于指定具体的形态学运算类别。具体类别及其含义如表所示：

类型	说明	意义	操作
cv2.MORPH_ERODE	腐蚀	腐蚀	erode()
cv2.MORPH_DILATE	膨胀	膨胀	dilate()
cv2.MORPH_OPEN	开运算	先腐蚀后膨胀	dilate(erode())
cv2.MORPH_CLOSE	闭运算	先膨胀后腐蚀	erode(dilate())
cv2.MORPH_GRADIENT	形态学梯度运算	膨胀图减腐蚀图	dilate()-erode()
cv2.MORPH_TOPHAT	顶帽运算	原始图像减开运算所得图像	src-open()
cv2.MORPH_BLACKHAT	黑帽运算	闭运算所得图像减原始图像	close()-src
cv2.MORPH_HITMISS	击中击不中	前景背景腐蚀运算的交集。仅仅支持CV8UC1二进制图像	intersection(erode(src),erode(src1))

开运算

根据上表，开运算的执行顺序是先对原图像进行腐蚀，再进行膨胀。该操作常用于去除噪声或进行物体计数。虽然去噪功能可通过单独的腐蚀操作实现，但下面我们将通过一个有趣的案例来演示计数操作。


import cv2
import numpy as np

img = cv2.imread("open.jpg",cv2.IMREAD_UNCHANGED)
kernel = np.ones((9,9), np.float32)
result = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel,iterations=5)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行代码后，图像中的不同区域被成功分离，处理效果如下所示：

闭运算

闭运算的执行顺序是先膨胀后腐蚀。它有助于封闭前景物体内部的小孔，去除物体表面的小黑点，或者将分离的前景图像连接在一起。接下来，我们将演示如何将上图中的两个独立部分连接起来。


import cv2
import numpy as np

img = cv2.imread("close.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((10, 10), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=7)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行代码后，原本分离的两个方块被连接为一个整体，具体效果如下所示：

形态学梯度运算

形态学梯度运算是通过计算膨胀图像与腐蚀图像的差值来实现的，该操作能够提取原始图像中前景物体的边缘。我们继续使用上一篇中使用的膨胀图像进行测试，相关代码如下：


import cv2
import numpy as np

img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行代码后，图像呈现出中空的效果，具体结果如下：

顶帽运算

顶帽运算是指用原始图像减去其开运算后的结果。该操作可用于提取图像中的噪声信息，或获取比原图像边缘更亮的边缘细节。例如，我们可以提取上图中的白色线条，具体代码如下：


import cv2
import numpy as np

img = cv2.imread("8.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行代码后，处理效果如下所示：

黑帽运算

黑帽运算是用闭运算后的图像减去原始图像。该操作可用于提取内部的小孔、前景色中的小黑点，或获取比原始图像边缘更暗的边缘部分。这里，我们使用之前的人物图像进行测试，代码如下：


import cv2
import numpy as np

img = cv2.imread("4.jpg", cv2.IMREAD_UNCHANGED)
kernel = np.ones((5, 5), np.float32)
result = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行代码后，处理效果如下所示：

结构元函数

前文曾提及，结构元既可以是自定义的，也可以通过OpenCV提供的cv2.getStructuringElement()函数自动生成。以下是该函数的完整定义：


def getStructuringElement(shape, ksize, anchor=None):

shape参数用于指定结构元的形状类型，具体取值如下表所示：

类型	意义
cv2.MORPH_RECT	矩形结构元，所有元素值为1
cv2.MORPH_CROSS	十字形结构元，对角线元素值为1
cv2.MORPH_ELLIPSE	椭圆形结构元素

ksize参数用于指定结构元的大小。

anchor参数用于指定结构元的锚点位置，默认值为(-1, -1)，即形状的中心。该参数仅与十字形结构元及锚点位置紧密相关；在其他情况下，锚点位置仅用于调整形态学运算的结果。

下面，我们将分别实现上述三种形状类型，具体代码如下：


import cv2

img = cv2.imread("open.jpg", cv2.IMREAD_UNCHANGED)
kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT,(50,50))
kernel2 = cv2.getStructuringElement(cv2.MORPH_CROSS,(50,50))
kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(50,50))
result1 = cv2.dilate(img,kernel1)
result2 = cv2.dilate(img,kernel2)
result3 = cv2.dilate(img,kernel3)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()

运行代码后，各种形状的处理效果如下所示：