一看就會！Python OpenCV形態學操作基礎教程

什麼是形態學操作？¶

在圖像處理中，形態學操作是一類基於圖像形狀的處理方法。它的核心思想是通過結構元素（Kernel） 與圖像進行交互，改變圖像中物體的形狀特徵。形態學操作主要用於二值圖像（黑白圖像），通過“膨脹”“腐蝕”等基本運算，實現去噪、連接斷裂物體、填充孔洞等效果。

形態學操作的基本類型¶

形態學操作有多種基本形式，其中最核心的是以下四種：

1. 腐蝕（Erosion）¶

原理：腐蝕可以理解爲“縮小”圖像中的亮區域（白色部分），或“擴大”暗區域（黑色部分）。它通過結構元素掃描圖像，將結構元素覆蓋區域內的所有像素設置爲最小值（若結構元素覆蓋區域內存在0，整體結果爲0）。

效果：去除圖像中的小亮點（噪點），但會使物體邊緣“收縮”，可能導致物體變小甚至消失。

2. 膨脹（Dilation）¶

原理：與腐蝕相反，膨脹是“擴大”圖像中的亮區域。它通過結構元素掃描圖像，將結構元素覆蓋區域內的所有像素設置爲最大值（若結構元素覆蓋區域內存在255，整體結果爲255）。

效果：填充圖像中的小暗洞（孔洞），使物體邊緣“膨脹”，可能連接斷裂的物體。

3. 開運算（Opening）¶

原理：開運算 = 先腐蝕後膨脹。先通過腐蝕去除小噪點，再通過膨脹恢復物體的原始大小。

效果：去除圖像中的小噪點，同時保留物體的整體形狀（常用作去噪處理）。

4. 閉運算（Closing）¶

原理：閉運算 = 先膨脹後腐蝕。先通過膨脹填充小暗洞，再通過腐蝕去除膨脹後物體邊緣的“毛刺”。

效果：填充圖像中的小暗洞，使物體邊緣更光滑（常用作修復斷裂物體）。

結構元素（Kernel）¶

結構元素是一個小型矩陣，用於定義形態學操作的“形狀”和“大小”。OpenCV通過cv2.getStructuringElement()創建結構元素，常見形狀包括：
- cv2.MORPH_RECT：矩形
- cv2.MORPH_ELLIPSE：橢圓形
- cv2.MORPH_CROSS：十字形

代碼實現：從讀取圖像到形態學操作¶

步驟1：導入庫和準備圖像¶

首先導入cv2（OpenCV）和numpy庫，讀取一張帶噪點的二值圖像（若沒有現成圖像，可使用cv2.imread()讀取本地圖片）。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像（灰度模式）
img = cv2.imread('noisy_image.png', 0)  # 0表示灰度模式，路徑需替換爲實際圖像路徑

# 二值化處理（將圖像轉爲黑白二值圖，大於127的像素設爲255，否則0）
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

步驟2：定義結構元素¶

創建一個3×3的矩形結構元素（可根據需求調整大小和形狀）：

# 創建3x3矩形結構元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

步驟3：執行形態學操作¶

分別進行腐蝕、膨脹、開運算、閉運算，並顯示結果：

# 1. 腐蝕操作
erosion = cv2.erode(binary, kernel, iterations=1)

# 2. 膨脹操作
dilation = cv2.dilate(binary, kernel, iterations=1)

# 3. 開運算（先腐蝕後膨脹）
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 4. 閉運算（先膨脹後腐蝕）
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

步驟4：顯示結果¶

使用matplotlib對比展示原始圖像和處理後的結果：

# 顯示結果
plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1), plt.imshow(binary, 'gray'), plt.title('原始圖像')
plt.subplot(2, 2, 2), plt.imshow(erosion, 'gray'), plt.title('腐蝕結果')
plt.subplot(2, 2, 3), plt.imshow(opening, 'gray'), plt.title('開運算結果')
plt.subplot(2, 2, 4), plt.imshow(closing, 'gray'), plt.title('閉運算結果')
plt.tight_layout()
plt.show()

效果對比與解釋¶

原始圖像：帶有小噪點的二值圖像（假設圖像中有白色噪點和一個小物體）。
腐蝕結果：噪點被部分去除，但小物體邊緣收縮，可能變小。
開運算結果：噪點被完全去除，小物體形狀基本保持不變（先腐蝕去噪，再膨脹恢復大小）。
閉運算結果：圖像中的小暗洞被填充，物體邊緣更光滑（先膨脹補洞，再腐蝕優化邊緣）。

進階操作（可選）¶

形態學梯度：膨脹結果 - 腐蝕結果，可提取物體邊緣（如cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)）。
頂帽（Top Hat）：原始圖像 - 開運算結果，用於提取小噪點（cv2.MORPH_TOPHAT）。
黑帽（Black Hat）：閉運算結果 - 原始圖像，用於提取小暗洞（cv2.MORPH_BLACKHAT）。

總結¶

形態學操作是圖像處理的基礎工具，通過腐蝕、膨脹等基本運算，可實現去噪、連接物體、提取邊緣等功能。初學者可從開運算和閉運算入手，結合結構元素調整大小，逐步掌握不同場景下的形態學應用。

練習建議：嘗試替換不同的圖像路徑，調整結構元素大小（如5×5），觀察結果變化，理解參數對效果的影響。