Python OpenCV图像形态学操作详解：腐蚀、膨胀与高级运算

凌晨两点半

发布时间：2026-10-16| 5人浏览过

原创

本文详细解析Python OpenCV中的图像形态学操作。从基础的腐蚀与膨胀入手，讲解卷积核与迭代次数的影响；深入介绍开运算、闭运算、梯度运算及礼帽黑帽的原理与代码实现，帮助开发者掌握图像去噪、边缘提取及细节增强技巧。

腐蚀

在处理部分图像时，常会遇到类似毛刺的异常区域，例如：

针对此类情况，可应用形态学操作。需注意，腐蚀操作仅适用于二值图像，即像素值仅为0（黑色）或255（白色）。先通过代码与效果进行说明：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
# 腐蚀的代码
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

经过处理后，图像中的毛刺已基本消除，但文字部分略有缩小，这正是腐蚀操作的效果。具体而言，腐蚀操作通过设置一个n×n的矩阵（视为卷积核）在原图上滑动。若卷积核覆盖的像素中存在0（黑色），则卷积核中心位置置为0；若卷积核内全为255，则中心位置保持不变：

注意：腐蚀操作生成的是基于原图的新图像，而非直接修改原图数据。

接下来展示腐蚀操作的具体代码：

kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

首先，利用numpy库生成一个n×n的全1矩阵kernel作为卷积核，并指定数据类型为无符号8位整数（uint8）。随后调用erode()函数，其参数包括图像矩阵、kernel矩阵及迭代次数。迭代次数决定了腐蚀操作的重复执行次数。以下通过圆形图像展示不同迭代次数的腐蚀效果：

import cv2
import numpy as np
kernel = np.ones((30,30),np.uint8)
pie = cv2.imread('pie.png')
# 观察不同的迭代次数
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀

腐蚀操作虽能去除二值图像边缘的毛刺，但不可避免地会损失部分有效图像内容。膨胀操作则是腐蚀的反向过程：若卷积核包裹的像素中包含255，则卷积核中心位置置为255，否则保持不变。因此，膨胀操作会使图像范围扩大：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')

kernel = np.ones((3,3),np.uint8)
# 膨胀操作
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

可见，膨胀操作后图像整体范围扩大，毛刺也随之放大。通常，膨胀操作会与腐蚀操作结合使用，即先腐蚀后膨胀，这样可在基本保持有效内容尺寸不变的前提下去除毛刺：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 腐蚀
erosion = cv2.erode(img,kernel,iterations = 1) # 对原图像进行腐蚀
# 膨胀
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1) # 对腐蚀后图像进行膨胀
cv2.imshow('dilate', dige_dilate)

cv2.waitKey(0)
cv2.destroyAllWindows()

其原理与参数含义与腐蚀操作类似，此处不再赘述。

开运算与闭运算

开运算与闭运算均基于腐蚀与膨胀操作处理原图像。区别在于：开运算是先腐蚀后膨胀，闭运算是先膨胀后腐蚀。两者均使用morphologyEx()函数，仅需调整参数即可实现不同操作。

开运算

执行开运算的函数调用如下：

cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

kernel仍为n×n矩阵，cv2.MORPH_OPEN指定执行开运算：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

闭运算

与开运算基本相同，只需将morphologyEx()函数的第二个参数改为cv2.MORPH_CLOSE即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果显示，先膨胀后腐蚀的操作与原图相比并无显著差异，仅整体大了一圈，因此闭运算的应用频率低于开运算。

梯度运算

梯度运算本质为膨胀减去腐蚀。由此可知，梯度运算提取的是原图的边缘部分。获取梯度同样使用morphologyEx()函数，将第二个参数改为cv2.MORPH_GRADIENT即可：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 先用开运算把毛刺去掉：
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

最终结果如下所示：

礼帽与黑帽

礼帽和黑帽为翻译术语，需避免望文生义。礼帽操作定义为原始图像减去开运算结果，黑帽操作定义为闭运算结果减去原始输入。同样使用morphologyEx()函数，通过修改第二个参数实现。

礼帽

礼帽操作所需的参数为cv2.MORPH_TOPHAT。根据定义，礼帽操作可提取图像中的“毛刺”部分：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((3,3),np.uint8)
# 礼帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

黑帽

黑帽操作所需的参数为cv2.MORPH_BLACKHAT，该运算输出闭运算后图像比原图多出的轮廓部分：

import cv2
import numpy as np
img = cv2.imread('dagongren.png')
kernel = np.ones((5,5),np.uint8) # kernel矩阵维度大一些会让黑帽操作的结果更明显
# 黑帽操作
tophat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()