OpenCV形态学操作实战：10个工业视觉必用操作
OpenCV形态学操作实战：10个工业视觉必用操作（含代码）
适合人群：正在做工业视觉预处理、图像分割、缺陷检测的工程师
阅读时间：约12分钟
代码环境：Python 3.8+，OpenCV 4.x
前言
形态学操作是工业视觉中最朴实也最高频的工具。不需要GPU，不需要深度学习，几行代码就能解决：
- 噪声太多，检测框乱跳 →腐蚀
- 目标断开，识别成多个 →膨胀
- 孔洞填不上，面积计算错 →闭运算
- 背景粘连，分割不开 →开运算
本文整理了工业视觉中最常用的10个形态学操作，每个都给你实际用途和可直接运行的代码。
基础：形态学操作的核心概念
所有形态学操作都基于两个要素：原始图像（必须是二值图或灰度图）+结构元素（kernel）。
importcv2importnumpyasnpimportmatplotlib.pyplotaspltdefshow_result(original,processed,title):"""通用显示函数"""fig,axes=plt.subplots(1,2,figsize=(10,4))axes[0].imshow(original,cmap='gray')axes[0].set_title("原图")axes[0].axis('off')axes[1].imshow(processed,cmap='gray')axes[1].set_title(title)axes[1].axis('off')plt.tight_layout()plt.show()# 常用结构元素kernel_3x3=cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))kernel_5x5=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))kernel_ellipse=cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(7,7))kernel_cross=cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))操作1：腐蚀（Erosion）
作用：收缩前景区域，消除小噪点，分离粘连物体
工业场景：去除二值图中的椒盐噪声、缩小过度膨胀的检测区域
importcv2importnumpyasnpdefmorphology_erosion_demo(image_path):""" 腐蚀操作 - 去除小噪点 """img=cv2.imread(image_path,cv2.IMREAD_GRAYSCALE)_,binary=cv2.threshold(img,127,255,cv2.THRESH_BINARY)# 腐蚀：kernel越大，腐蚀越强kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))eroded=cv2.erode(binary,kernel,iterations=1)# 统计变化original_pixels=np.sum(binary>0)eroded_pixels=np.sum(eroded>0)print(f"腐蚀前白色像素:{original_pixels}")print(f"腐蚀后白色像素:{eroded_pixels}")print(f"减少:{original_pixels-eroded_pixels}像素")returneroded# 实际应用：去除PCB检测中的焊点噪声defremove_noise_by_erosion(binary_img,noise_size=2):"""去除小于noise_size的孤立噪点"""kernel=np.ones((noise_size*2+1,noise_size*2+1),np.uint8)returncv2.erode(binary_img,kernel,iterations=1)关键参数：
iterations：腐蚀次数，多次腐蚀等效于更大的kernel- kernel形状：矩形用于规则物体，椭圆用于圆形物体，十字用于细长结构
操作2：膨胀（Dilation）
作用：扩张前景区域，填充小孔洞，连接断开区域
工业场景：连接裂纹检测中的断点，加粗细线目标便于后续处理
defmorphology_dilation_demo(binary_img):""" 膨胀操作 - 连接断裂区域 工业场景：连接断裂的裂纹线 """kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))dilated=cv2.dilate(binary_img,kernel,iterations=1)returndilateddefconnect_broken_cracks(binary_img):""" 专为裂纹检测设计的膨胀策略 裂纹通常是细长的，用横向kernel效果更好 """# 横向kernel优先连接水平方向的断裂h_kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(15,1))# 纵向kernel连接垂直方向的断裂v_kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(1,15))h_dilated=cv2.dilate(binary_img,h_kernel)v_dilated=cv2.dilate(binary_img,v_kernel)# 合并两个方向的结果combined=cv2.bitwise_or(h_dilated