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：

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。

sun=cv2.imread('sun.png')# 读取太阳图像文件cv2.imshow('sun',sun)# 显示原始图像cv2.waitKey(0)kernel=np.ones((5,5),np.uint8)# 创建5x5的全1矩阵作为结构元素（腐蚀核）erosion1=cv2.erode(sun,kernel,iterations=2)# 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 3×3
• iterations：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。

wenzi=cv2.imread('wenzi.png')# 读取文字图像cv2.imshow('wenzi',wenzi)# 显示原始文字图像cv2.waitKey(0)kernel=np.ones((3,3),np.uint8)# 创建3x3的结构元素，用于膨胀操作wenzi_new=cv2.dilate(wenzi,kernel,iterations=1)# 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。

zhiwen=cv2.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)kernel=np.ones((3,3),np.uint8)# 创建3x3的结构元素zhiwen_new=cv2.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_duan=cv2.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)kernel=np.ones((3,3),np.uint8)# 创建3x3的结构元素zhiwen_new1=cv2.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。

wenzi=cv2.imread('wenzi.png')# 读取文字图像cv2.imshow('wenzi',wenzi)# 显示原始文字图像cv2.waitKey(0)kernel=np.ones((2,2),np.uint8)# 创建2x2的结构元素# 膨胀pz_wenzi=cv2.dilate(wenzi,kernel,iterations=1)# 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_wenzi=cv2.erode(wenzi,kernel,iterations=1)# 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gradient=cv2.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

sun=cv2.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kernel=np.ones((2,2),np.uint8)# 创建2x2的结构元素# 开运算open_sun=cv2.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）tophat=cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel)# 方法1：直接使用顶帽运算tophat1=sun-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1）cv2.imshow('tophat1',tophat1)# 显示顶帽结果（方法2）cv2.waitKey(0)# 闭运算close_sun=cv2.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）blackhat=cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)# 方法1：直接使用黑帽运算blackhat1=close_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1）cv2.imshow('blackhat1',blackhat1)# 显示黑帽结果（方法2）cv2.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.Sobel

Sobel 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, dy：dx=1,dy=0求 X 方向一阶导数；dx=0,dy=1求 Y 方向一阶导数（不建议同时为 1）
• ksize：Sobel 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_64F（float64，可保存负数），再用cv2.convertScaleAbs()取绝对值转回uint8。

yuan=cv2.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_x=cv2.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 0~255）yuan_x_64=cv2.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_full=cv2.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_64=cv2.Sobel(yuan,cv2.CV_64F,0,1)# Y方向Sobel，使用float64yuan_y_full=cv2.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_xy=cv2.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_full=cv2.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 → X+Y 加权组合）。

用 Sobel 处理真实图像 Tom.jpg

img=cv2.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_64=cv2.Sobel(img,cv2.CV_64F,1,0)# X方向Sobel，使用float64保存负数img_x_full=cv2.convertScaleAbs(img_x_64)# 取绝对值转换为uint8img_y_64=cv2.Sobel(img,cv2.CV_64F,0,1)# Y方向Sobel，使用float64保存负数img_y_full=cv2.convertScaleAbs(img_y_64)# 取绝对值转换为uint8img_xy_full=cv2.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.Scharr

Scharr 算子是 Sobel 算子在ksize=3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。

img=cv2.imread('Tom.jpg')# 读取Tom.jpg图像img_x_64=cv2.Scharr(img,cv2.CV_64F,1,0)# X方向Scharr算子，使用float64保存负数img_x_full=cv2.convertScaleAbs(img_x_64)# 取绝对值转换为uint8img_y_64=cv2.Scharr(img,cv2.CV_64F,0,1)# Y方向Scharr算子，使用float64保存负数img_y_full=cv2.convertScaleAbs(img_y_64)# 取绝对值转换为uint8img_xy_Scarr_full=cv2.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.Laplacian

Laplacian（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 Gx+Gy 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：

Tom=cv2.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_lap=cv2.Laplacian(Tom,cv2.CV_64F,ksize=3)# 应用Laplacian算子，使用float64保存结果Tom_lap_full=cv2.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.Canny

Canny 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fL）
• threshold2：第二个阈值（高阈值fH）

Tom=cv2.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_canny=cv2.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

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_64F+convertScaleAbs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。