4. 形态学操作
形态学操作，说白了就是针对二值图像做「形状处理」。我刚开始接触机器视觉时，觉得这玩意儿不就是几个数学公式嘛。直到有一次在产线上处理一个金属表面的划痕检测，光照稍微一变，阈值分割出来的结果就惨不忍睹。后来我用了一组形态学操作，问题就解决了。嗯，从那以后我再也不敢小看这几个基础算子。
今天咱们就聊聊腐蚀、膨胀、开运算和闭运算。它们在缺陷检测里到底怎么用？什么时候该用哪个？我踩过哪些坑？
4.1 腐蚀与膨胀：最基础的两个操作
先看腐蚀。它的作用很简单——让白色区域「瘦一圈」。怎么做到的？用一个结构元素（比如3x3的方形）在图像上滑动，只有当结构元素覆盖的区域全是白色时，中心点才保留白色，否则变黑。
核心公式（腐蚀）：
dst(x,y) = min(src(x+x', y+y')) 其中 (x',y') 在结构元素内说白了：取邻域内的最小值。二值图里最小值就是0（黑），所以只要邻域内有一个黑点，中心就变黑。
膨胀正好相反——让白色区域「胖一圈」。取邻域内的最大值，只要邻域内有一个白点，中心就变白。
我个人习惯的记忆方法：
- 腐蚀 = 侵蚀边缘，白色收缩
- 膨胀 = 扩张边界，白色增长
你想想看，腐蚀就像把石头扔进酸里，表面被腐蚀掉一层；膨胀就像吹气球，越吹越大。
4.2 开运算与闭运算：组合拳的威力
开运算 = 先腐蚀后膨胀。闭运算 = 先膨胀后腐蚀。
为什么要组合？因为单独用腐蚀或膨胀，虽然能去掉噪声或填补空洞，但也会改变目标物体的尺寸。开运算和闭运算可以在不显著改变目标面积的前提下，完成噪声去除或空洞填补。
| 操作 | 顺序 | 效果 | 典型应用场景 |
|---|---|---|---|
| 开运算 | 腐蚀 → 膨胀 | 去除小白点噪声，断开窄连接 | 去除焊点周围的飞溅、消除毛刺 |
| 闭运算 | 膨胀 → 腐蚀 | 填补小黑洞，连接断开的区域 | 填补划痕中的断裂、连接断裂的字符 |
我曾经踩过的坑：开运算和闭运算的核大小选择非常关键。核太小，效果不明显；核太大，会把缺陷本身也抹掉。我建议从3x3开始试，逐步增大，直到噪声刚好被去除而目标缺陷仍然清晰可见为止。
4.3 在缺陷检测中的具体应用
咱们来看几个我在项目中实际用过的场景。
4.3.1 去除椒盐噪声
阈值分割后，图像上经常会有一些孤立的白点或黑点。这些点不是缺陷，是噪声。怎么办？
- 白点噪声（白色背景上的黑点）：用开运算。先腐蚀去掉小白点，再膨胀恢复目标大小。
- 黑点噪声（黑色背景上的白点）：用闭运算。先膨胀填掉小黑点，再腐蚀恢复目标大小。
我记得有一次做PCB焊点检测，分割后焊点周围全是细小的飞溅。用开运算，核选5x5，跑一遍，飞溅全没了，焊点形状基本不变。效果立竿见影。
4.3.2 连接断裂的缺陷
有些缺陷是连续的，比如划痕、裂纹。但分割后可能因为光照不均或对比度低，导致缺陷断裂成好几段。这时候闭运算就派上用场了。
实际案例：玻璃划痕检测
分割后的划痕断成了3段。我用闭运算，核大小15x3（水平方向拉长），先膨胀把断裂处连接起来，再腐蚀恢复宽度。最终得到一条完整的划痕，后续测量长度就准确了。
4.3.3 分离粘连的物体
有时候两个缺陷挨得太近，分割后连在一起了。这时候可以用腐蚀把它们分开，再用膨胀恢复大小。但要注意：腐蚀过度会把小缺陷直接抹掉。
我建议的做法是：先腐蚀到刚好分离，然后对每个连通域做标记，再分别膨胀回原来的大小。这样既分离了粘连，又保留了每个缺陷的真实尺寸。
4.4 形态学操作的知识体系
下面这张图总结了形态学操作的核心逻辑和应用场景。我把它画成了流程图，方便你理解什么时候该用什么操作。
4.5 代码示例：用OpenCV实现形态学操作
下面是一个完整的Python代码示例，展示了如何用OpenCV实现腐蚀、膨胀、开运算和闭运算。我习惯在代码里加上详细的注释，方便以后回头看。
import cv2
import numpy as np
# 读取图像并二值化
img = cv2.imread('defect.jpg', 0)
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 定义结构元素（核）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 腐蚀
eroded = cv2.erode(binary, kernel, iterations=1)
# 膨胀
dilated = cv2.dilate(binary, kernel, iterations=1)
# 开运算：先腐蚀后膨胀
opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
# 闭运算：先膨胀后腐蚀
closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
# 显示结果
cv2.imshow('Original', binary)
cv2.imshow('Eroded', eroded)
cv2.imshow('Dilated', dilated)
cv2.imshow('Opened', opened)
cv2.imshow('Closed', closed)
cv2.waitKey(0)
cv2.destroyAllWindows()我的一点经验：
- 核的形状也很重要。矩形核适合处理方形缺陷，椭圆核适合处理圆形缺陷，十字核适合处理细长缺陷。
- iterations参数控制操作次数。一次不够就两次，但别贪多，否则目标形状会严重变形。
- 如果图像里有多种类型的噪声，可以先用开运算去白点，再用闭运算填黑点，组合使用效果更好。
4.6 形态学操作的局限性
形态学操作虽然好用，但不是万能的。我遇到过几种情况，形态学操作搞不定：
- 缺陷和噪声大小相近：核选小了去不掉噪声，选大了连缺陷一起抹掉。这时候得换方法，比如用连通域面积过滤。
- 缺陷形状不规则：固定形状的核可能无法很好地匹配缺陷的几何特征。可以考虑用自适应核或多尺度形态学。
- 灰度不均匀：形态学操作基于二值图，如果二值化本身就有问题，形态学也救不了。先得把预处理做好。
避坑指南：我曾经在一个项目里，用开运算去除焊点周围的飞溅。核选得太大，结果把焊点边缘也给腐蚀掉了，导致后续的焊点尺寸测量全部偏小。后来我改用先腐蚀分离、再对每个连通域单独膨胀的方法，才解决了问题。记住：形态学操作会改变目标尺寸，如果后续要做精确测量，一定要考虑这个影响。
4.7 小结
形态学操作是缺陷检测中不可或缺的工具。腐蚀和膨胀是基础，开运算和闭运算是它们的组合应用。选对操作、选对核大小、选对迭代次数，就能高效地去除噪声、填补空洞、分离粘连物体。