腐蚀是形态学操作的核心，常与轮廓分析、分水岭算法结合实现图像分割。本文整合「腐蚀去噪→轮廓标记→分水岭分割」全流程，演示从预处理到最终分割的完整逻辑，新手可直接复用。
核心代码实现
import cv2 as cv import numpy as np # 1. 读取图像并初始化（补充完整流程） src = cv.imread('./image/test.bmp') # 替换为你的图像路径 if src is None: print('图像读取失败，请检查路径！') exit() srcss = src.copy() # 分水岭分割画布 result4 = src.copy() # 腐蚀输入图像（需为单通道二值图，此处补充预处理） # 预处理：转为灰度图→二值化（腐蚀操作的前提） gray = cv.cvtColor(result4, cv.COLOR_BGR2GRAY) ret, result4 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) # 2. 腐蚀操作（核心：去除小噪点，强化前景轮廓） # 创建结构化元素：9×9矩形核（尺寸越大，腐蚀越强） kernel = cv.getStructuringElement(cv.MORPH_RECT, (9, 9)) result5 = cv.erode(result4, kernel) # 执行腐蚀 # 3. 轮廓检测（基于腐蚀后的图像） result6 = np.uint8(result5) # 确保为uint8格式（轮廓检测要求） contours, hierarchy = cv.findContours(result6, cv.RETR_CCOMP, cv.CHAIN_APPROX_SIMPLE) # 4. 轮廓标记（为分水岭算法生成标记图） # 初始化标记图：float32类型，尺寸与原图一致 result7 = np.zeros((src.shape[0], src.shape[1]), np.float32) # 遍历轮廓，为每个轮廓分配唯一标记值（从5开始，避免与背景冲突） for i, contour in enumerate(contours): cv.drawContours(result7, contours, i, i+5, 1) # 标记值=i+5，线宽1 # 5. 执行分水岭分割 cv.watershed(srcss, result7) # 标注分割边界（标记值为-1的区域是分割线） srcss[result7 == -1] = [0, 0, 255] # 分割线标红 # 6. 显示结果 cv.namedWindow('腐蚀结果', cv.WINDOW_NORMAL) cv.resizeWindow('腐蚀结果', 600, 600) cv.imshow('腐蚀结果', result5) cv.namedWindow('轮廓标记图', cv.WINDOW_NORMAL) cv.resizeWindow('轮廓标记图', 600, 600) cv.imshow('轮廓标记图', result7 / result7.max() * 255) # 归一化显示 cv.namedWindow('分水岭分割结果', cv.WINDOW_NORMAL) cv.resizeWindow('分水岭分割结果', 600, 600) cv.imshow('分水岭分割结果', srcss) cv.waitKeyEx(0) cv.destroyAllWindows()
关键知识点解析
1. 核心流程拆解
| 步骤 | 核心 API | 作用说明 |
|---|
| 腐蚀操作 | cv.erode() | 用 9×9 矩形核腐蚀图像，消除小噪点，让前景轮廓更清晰 |
| 轮廓检测 | cv.findContours() | 提取腐蚀后图像的轮廓，为分水岭提供前景标记 |
| 轮廓标记 | cv.drawContours() | 为每个轮廓分配唯一数值标记（i+5），生成分水岭标记图 |
| 分水岭分割 | cv.watershed() | 基于标记图分割图像，result7 == -1为分割边界 |
2. 核心参数与避坑点
- 腐蚀核参数：
cv.getStructuringElement(cv.MORPH_RECT, (9,9))：矩形核尺寸越大，腐蚀效果越强，需根据图像噪点大小调整（小噪点用 3×3，大噪点用 9×9）； - 轮廓标记值：标记值从 5 开始（而非 0/1），避免与分水岭算法的「背景（0）」「未知区域（1）」冲突，是分割成功的关键；
- 数据类型要求：
- 轮廓检测输入必须为
uint8类型，因此需result6 = np.uint8(result5)； - 分水岭标记图必须为
float32类型，因此初始化result7时指定np.float32；
- 分割边界标注：
watershed执行后，标记图中值为-1的像素是分割边界，用红色标注可直观验证分割效果。
3. 形态学操作扩展
| 操作 | API | 作用 |
|---|
| 膨胀 | cv.dilate() | 与腐蚀相反，扩大前景区域，修复轮廓断裂 |
| 开运算 | cv.morphologyEx(src, cv.MORPH_OPEN, kernel) | 先腐蚀后膨胀，去除小噪点且不改变前景大小 |
| 闭运算 | cv.morphologyEx(src, cv.MORPH_CLOSE, kernel) | 先膨胀后腐蚀，填充前景孔洞 |
总结
- 腐蚀操作是分水岭分割的关键预处理，核心作用是去除小噪点、强化前景轮廓，核尺寸需适配噪点大小；
- 分水岭算法的核心是「标记图」：轮廓标记值需避开 0/1，避免与背景 / 未知区域冲突；
- 数据类型严格匹配（轮廓检测→uint8，分水岭标记图→float32）是流程运行的基础。
