4、OpenCV核心基础(三)：图像形态学操作与轮廓查找

各位好，欢迎来到第四章。前两章我们把图像读写、色彩空间和几何变换捋了一遍，算是把OpenCV的基本功打扎实了。这一章咱们要聊两个非常实战的话题：形态学操作和轮廓查找。

说白了，形态学操作就是「用一个小结构去探测图像里的形状」，而轮廓查找则是「把图像里物体的边界给描出来」。这两招在目标检测预处理里几乎天天用——YOLO检测之前，图像质量好不好、目标边界清不清晰，全靠它们撑着。

4.1 腐蚀与膨胀：形态学的「原子操作」

腐蚀和膨胀是形态学里最基础的两个操作。你想想看，图像里的白色区域（前景）就像一块橡皮泥——腐蚀是往里削，膨胀是往外推。

4.1.1 腐蚀 (Erosion)

腐蚀的原理很简单：用一个结构元素（比如3×3的矩形）在图像上滑动，只有当结构元素覆盖的区域全部都是白色时，中心点才保留白色，否则变成黑色。

结果就是：白色区域变小了，细小的白色噪点被去掉了。我在做工业检测项目时，经常先用腐蚀去掉传感器噪声，效果比滤波还直接。

import cv2
import numpy as np

# 读取二值图像（或先做阈值处理）
img = cv2.imread('binary.png', 0)

# 定义结构元素：3x3 矩形
kernel = np.ones((3, 3), np.uint8)

# 腐蚀操作
eroded = cv2.erode(img, kernel, iterations=1)

# iterations 控制腐蚀次数，我一般不超过3次，否则目标会消失

4.1.2 膨胀 (Dilation)

膨胀和腐蚀正好相反：只要结构元素覆盖的区域里有一个白色像素，中心点就变成白色。结果就是白色区域扩大，小孔被填上。

# 膨胀操作
dilated = cv2.dilate(img, kernel, iterations=1)

膨胀最常用的场景是「连接断开的物体」。我记得有一次做车牌识别，字符笔画因为光照原因断成了几截，膨胀一下立马连上了。

操作	效果	典型应用
腐蚀	白色区域缩小，去除小噪点	去噪、分离粘连物体
膨胀	白色区域扩大，填充小孔	连接断裂区域、增强目标

4.2 开运算与闭运算：组合拳才是王道

单独用腐蚀或膨胀，往往副作用太大。比如腐蚀虽然去噪了，但目标也变小了。这时候就需要组合操作。

4.2.1 开运算 (Opening)

开运算 = 先腐蚀，后膨胀。先腐蚀去掉小噪点，再膨胀恢复目标大小。说白了就是「把图像上的小疙瘩磨平」。

# 开运算
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

我处理显微镜细胞图像时，开运算几乎是标配。细胞周围总有细小的杂质，开运算一次就干净了，细胞主体还保持原样。

4.2.2 闭运算 (Closing)

闭运算 = 先膨胀，后腐蚀。先膨胀填上目标内部的小孔，再腐蚀恢复边缘。适合「修补目标内部的裂缝或空洞」。

# 闭运算
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

操作	顺序	解决什么问题
开运算	腐蚀 → 膨胀	去除外部小噪点，保留目标大小
闭运算	膨胀 → 腐蚀	填充内部小孔，保持边缘平滑

4.3 轮廓查找：从像素到形状

形态学操作做完，图像干净了，接下来就是「把目标轮廓找出来」。轮廓查找是目标检测的前置步骤——YOLO虽然直接回归边界框，但很多传统方法还是靠轮廓定位。

4.3.1 findContours 函数

OpenCV的 findContours 是核心函数。它从二值图像里提取所有白色区域的轮廓。

# 注意：输入必须是二值图像，且背景为黑色，前景为白色
contours, hierarchy = cv2.findContours(
    binary_img,           # 二值图
    cv2.RETR_EXTERNAL,    # 轮廓检索模式
    cv2.CHAIN_APPROX_SIMPLE  # 轮廓近似方法
)

这里有两个参数很关键：

• RETR_EXTERNAL：只检测最外层轮廓。我90%的场景都用这个，省事。
• RETR_TREE：检测所有轮廓并建立层级关系。需要区分内外轮廓时用。
• CHAIN_APPROX_SIMPLE：只保存轮廓的端点，节省内存。
• CHAIN_APPROX_NONE：保存所有点，精度高但数据量大。

4.3.2 绘制轮廓

找到轮廓后，用 drawContours 画出来看看效果。

# 在原图上绘制所有轮廓
result_img = img.copy()
cv2.drawContours(
    result_img,           # 绘制目标图像
    contours,             # 轮廓列表
    -1,                   # -1 表示绘制所有轮廓
    (0, 255, 0),          # 绿色
    2                     # 线条粗细
)

嗯，这里要注意：drawContours 会修改传入的图像，所以最好先 .copy() 一份。我曾经直接在原图上画，结果调试完原图也毁了，还得重新读。

4.3.3 轮廓筛选：别什么都画

实际项目中，图像里往往有很多小轮廓（噪点、无关物体）。我们需要根据面积或周长来筛选。

# 筛选面积大于 500 像素的轮廓
valid_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 500:
        valid_contours.append(cnt)

print(f"原始轮廓数: {len(contours)}, 筛选后: {len(valid_contours)}")

我做过一个零件分拣项目，图像里有上百个轮廓，但真正要检测的只有五六个。用面积一筛，计算量直接降了一个数量级。

4.4 实战小案例：硬币检测

咱们把今天学的串起来，做一个简单的硬币检测流程。

import cv2
import numpy as np

# 1. 读取图像并转灰度
img = cv2.imread('coins.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 二值化（阈值处理，下章细讲）
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 3. 形态学去噪：开运算
kernel = np.ones((5, 5), np.uint8)
clean = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 4. 闭运算填充硬币内部反光
clean = cv2.morphologyEx(clean, cv2.MORPH_CLOSE, kernel)

# 5. 查找轮廓
contours, _ = cv2.findContours(clean, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 6. 筛选并绘制
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 1000:  # 排除小噪点
        cv2.drawContours(img, [cnt], -1, (0, 255, 0), 2)
        # 还可以计算外接矩形或圆形
        x, y, w, h = cv2.boundingRect(cnt)
        cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

cv2.imshow('Result', img)
cv2.waitKey(0)

这个流程虽然简单，但已经包含了形态学+轮廓的完整链路。你把这个跑通了，后面YOLO的预处理部分就轻松多了。