阅读导航:我们在本节要解决的核心问题是——如何在不重新训练神经网络的情况下,仅凭几何操作就修复图像的“形状缺陷”? 噪声颗粒、断裂线条、孔洞、粘连……这些都不是语义问题,而是结构问题。形态学就是图像处理的“外科整形科”。别急,我们从最基础的“橡皮擦”和“填充剂”开始,一步步走到骨架提取和分水岭分割。
2.6 整体概览:形状的外科手术工具箱
如果我们把图像看作一块橡皮泥,形态学运算就是一套精确塑形工具:
- 腐蚀(Erosion):像用刻刀削去外层,物体缩小,噪声点被削掉。
- 膨胀(Dilation):像刷上一层厚漆,物体扩张,裂缝被填补。
- 开运算 / 闭运算:腐蚀和膨胀的特定组合,分别用于“去噪保形”和“填洞保形”。
- 形态学梯度 / 顶帽 / 黑帽:用差分思想提取边界、亮细节、暗细节。
- 击中击不中(Hit-or-Miss):精确的模式匹配,是骨架提取和角点检测的基石。
- 距离变换(Distance Transform):计算每个像素到边界的距离,为分水岭算法提供“地形图”。
现在我们已经了解了形态学的整体版图,接下来看看最基础的两把手术刀:腐蚀与膨胀。但在继续之前,我想先问你一个问题——如果你要手动擦掉图像里一个 1 像素大的白点,你会怎么做? 用橡皮擦点一下,对吧?腐蚀就是这个原理,只不过它的“橡皮擦”是一个特定形状的小窗口。
2.6.1 腐蚀与膨胀:图像的“橡皮擦”与“填充剂”
2.6.1.1 结构元(getStructuringElement):矩形 / 椭圆 / 十字形
我们先从 toy example 开始。 假设你有一张二值图,只有一个 3×3 的白色方块。现在你想把它“削”一圈,变成 1×1 的白点。你需要一个什么样的工具?
你需要一个 3×3 的全 1 矩阵,把它盖在图像上滑动。如果矩阵下的 9 个像素全是白,中心才保留为白;否则变黑。这个 3×3 矩阵就是结构元(Structuring Element, SE),也叫核(kernel)。
听起来抽象对吧?结构元就是形态学运算的“画笔形状”。OpenCV 用 cv2.getStructuringElement 给我们预置了三种画笔:
矩形(MORPH_RECT):全能平头刷
5×5 矩形核:
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
它对水平和垂直方向一视同仁,适合处理文档文字、矩形边框这类“横平竖直”的结构。citeweb_search:3#4web_search:3#15
椭圆(MORPH_ELLIPSE):圆角柔边刷
5×5 椭圆核:
[0 0 1 0 0]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[0 0 1 0 0]
四个角被削掉了。这模拟了圆形/椭圆形的扩张或收缩,对自然物体(细胞、气泡、颗粒)更友好,不会因为方形的角而引入人造的直角 artifacts。citeweb_search:3#4web_search:3#7
十字形(MORPH_CROSS):十字螺丝刀
5×5 十字核:
[0 0 1 0 0]
[0 0 1 0 0]
[1 1 1 1 1]
[0 0 1 0 0]
[0 0 1 0 0]
只在水平和垂直主轴上有作用。这让它特别适合处理线状结构:比如想断开水平粘连的文字行,同时保留竖直笔画的完整性,十字核就是最佳选择。citeweb_search:3#0web_search:3#15
锚点(anchor):默认在结构元中心 (-1,-1)。如果你把锚点移到左上角,整个形态学运算就会“偏心”——物体向锚点反方向偏移。这在需要对齐特定边缘时很有用。
2.6.1.2 二值腐蚀的集合论定义与极小值滤波实现
现在我们已经了解了画笔的形状。 但腐蚀到底在数学上做了什么?
集合论视角:用集合包含来削边
在二值图像中,白色前景是一个像素集合 A,结构元是集合 B(以其锚点为原点)。腐蚀的定义是:
A ⊖ B = { z | (B)z ⊆ A }
翻译成人话:把结构元 B 平移到图像中的每个位置 z,如果 B 完全落在前景 A 内部,那么 z 点才保留为前景;否则 z 点变为背景。
想象你用一个圆形模具去压饼干面团:只有模具完全落在面团里的位置,中心点才留下印记。模具压到边缘时,因为有一部分悬空在面团外,中心点就被削掉了。这就是边界内缩。
极小值滤波实现:从二值到灰度的桥梁
在二值图里,腐蚀是“逻辑与”(AND)操作。但如果我们把它推广到灰度图,逻辑与变成了极小值(min)操作:
输出(x,y) = min{ 输入(x+i, y+j) | (i,j) ∈ SE }
也就是说,结构元覆盖的窗口里,取最暗的值作为输出。如果窗口里有一个很暗的噪点,整个窗口都会被拉暗——这就是为什么腐蚀能“削掉”亮的前景突起,也能让亮的细线消失。
结构化伪代码:灰度腐蚀(极小值滤波)
Algorithm GrayscaleErosion
Input: 灰度图 I[0..H-1][0..W-1], 结构元 SE[0..h-1][0..w-1], 锚点 (ax, ay)
Output: 腐蚀结果 E[0..H-1][0..W-1]
for r ← 0 to H-1 do
for c ← 0 to W-1 do
minVal ← +∞
for i ← 0 to h-1 do
for j ← 0 to w-1 do
if SE[i][j] == 1 then
// 计算镜像偏移(形态学腐蚀使用反射结构元)
rr ← r + (i - ay)
cc ← c + (j - ax)
if 0 ≤ rr < H && 0 ≤ cc < W then
minVal ← min(minVal, I[rr][cc])
end
end
end
end
E[r][c] ← minVal
end
end
注意:OpenCV 的 cv2.erode 内部对结构元做了反射处理,所以你不需要手动翻转核。这是形态学标准定义的一部分(Minkowski 减法)。
2.6.1.3 灰度腐蚀 / 膨胀的极小 / 极大值滤波与拓扑效应
我们继续之前的问题。 腐蚀用极小值,那膨胀呢?
极大值滤波:灰度膨胀
灰度膨胀的定义是对偶的:
输出(x,y) = max{ 输入(x-i, y-j) | (i,j) ∈ SE }
注意这里的偏移是负号,因为膨胀使用的是结构元的反射。在 OpenCV 里,你只需调用 cv2.dilate,内部已经处理好了。
拓扑效应:连通性会改变!
这是很多人忽视的一点。腐蚀和膨胀不只是改变像素的值,它们会改变图像的拓扑结构:
- 腐蚀:细线可能断裂,两个粘连的物体可能分离,小洞可能变大。
- 膨胀:断裂的线可能连接,分离的物体可能粘连,小洞可能被填满。
想象一条 1 像素宽的桥梁连接两个大陆。用 3×3 矩形核腐蚀一次,桥梁就断了——两个大陆从连通变成不连通。这在后续做连通域分析时,会直接改变物体计数结果。
关键洞察:形态学运算不是“无损编辑”。每一次腐蚀或膨胀都可能不可逆地改变物体的连通性。所以在设计流水线时,要问自己:我是想分离物体,还是想保持连通? 这决定了你该用腐蚀还是膨胀,以及结构元的尺寸。
2.6.2 开运算与闭运算:组合技的威力
在继续之前,我们先停一下。 腐蚀能去噪,但它把物体也削小了;膨胀能填洞,但它把物体也放大了。能不能“既要又要”?能,只要把两者组合起来。
2.6.2.1 开运算(先腐后膨)的噪声颗粒去除与细线断裂
直觉:先削后补,只补主体不补噪声
开运算是 先腐蚀,再膨胀:
Opening(A) = (A ⊖ B) ⊕ B
想象一块满是毛刺的金属铸件。你先喷砂(腐蚀),把表面的毛刺和氧化层全部打掉——这时铸件整体小了一圈。然后你喷一层均匀的底漆(膨胀),让铸件恢复到接近原来的大小,但毛刺不会回来,因为它们已经在第一步被彻底削掉了。
细线断裂:开运算的副作用
开运算对细小结构是致命的。一条宽度小于结构元的细线,在腐蚀阶段就会彻底消失,后续的膨胀只能恢复比结构元更粗的“主体”。所以如果你要保留头发丝般的细节,开运算的结构元必须比细节更小。
Toy Example:假设有一条 1 像素宽的水平线,用 3×3 矩形核做开运算。
- 腐蚀:水平线完全消失(因为 3×3 核要求 3 行都有前景,而线只有 1 行)。
- 膨胀:无物可恢复,结果是一条黑线。
这就是“细线断裂”效应。citeweb_search:3#2web_search:4#7
2.6.2.2 闭运算(先膨后腐)的孔洞填充与断裂连接
直觉:先补后削,只填内部不填外部
闭运算是 先膨胀,再腐蚀:
Closing(A) = (A ⊕ B) ⊖ B
想象一个有裂缝的花瓶。你先灌入石膏(膨胀),裂缝被填满,花瓶外形也稍微胖了一圈。然后你打磨表面(腐蚀),把多余的石膏磨掉,花瓶恢复到接近原来的大小,但裂缝仍然被填着。
断裂连接:闭运算的妙用
OCR 场景中,字符笔画可能因为扫描质量而断裂。用适当的闭运算,可以把“口”字断裂的上下横重新连起来,同时不会让字符整体胖到和隔壁字粘连——只要结构元尺寸控制得当。
关键区别:
- 开运算:去除外部的突起(噪声颗粒、毛刺)。
- 闭运算:填补内部的凹陷(孔洞、裂缝、断笔画)。citeweb_search:3#2web_search:4#7
2.6.2.3 迭代次数与结构元尺寸的复合形态学效果
现在我们已经了解了开闭运算的基本逻辑。 但 OpenCV 里有两个参数都能控制“力度”:iterations(迭代次数)和 ksize(结构元尺寸)。它们是什么关系?
等效性原理:迭代 ≈ 放大
有一个重要的近似等价关系:
- 用 k×k 结构元迭代 n 次 ≈ 用 (n×(k-1)+1) 尺寸的结构元做 1 次
具体来说,3×3 核迭代 2 次,效果接近 5×5 核迭代 1 次。但两者不完全相同:
- 多次迭代:计算慢,但边缘更圆滑(因为每次只走一小步,累积成曲线)。
- 大核单次:计算快,但边缘更“方”(大矩形核的角效应明显)。
实际建议:
- 追求速度:用大核,少迭代。
- 追求质量(尤其是椭圆核):用小核,多迭代。椭圆核多次迭代会产生更自然的圆角过渡,而单个大椭圆核可能在斜边留下阶梯状 artifacts。
2.6.3 高级形态学:用差分提取隐藏信息
在继续之前,让我们换个思路。 腐蚀和膨胀本身会改变图像的形状,但如果我们把原始图像和变形后的图像做减法,就能提取出“被改变的部分”。这就是形态学梯度和顶帽/黑帽变换的核心思想——它们都是差分算子。
2.6.3.1 形态学梯度(Morphological Gradient)的边界增强
直觉:外轮廓减去内轮廓
形态学梯度 = 膨胀图 - 腐蚀图
Gradient(A) = (A ⊕ B) - (A ⊖ B)
想象一个圆形硬币。膨胀后它大了一圈,腐蚀后它小了一圈。这两个结果的差,恰好是一个环形,环的宽度等于结构元的“射程”。这个环就是硬币的边界。
与 Sobel 梯度不同,形态学梯度对噪声不敏感(因为 min/max 滤波本身就是非线性的),而且它产生的边界厚度由结构元控制。用 3×3 核得到细边界,用 5×5 核得到粗边界。
应用场景:在前景和背景对比度很低时,形态学梯度往往比线性梯度算子更稳定。citeweb_search:4#0web_search:4#5
2.6.3.2 顶帽变换(Top-Hat)的背景均衡与亮细节提取
直觉:原图减去“光滑背景”
TopHat(A) = A - Opening(A)
开运算去掉了所有比结构元小的亮细节,留下的是“光滑的大背景”。原图减去这个背景,剩下的就是被开运算削掉的那些小亮块。
想象一张星空照片:恒星是亮点,银河是模糊的大背景。如果你用一个比恒星大、比银河结构小的核做开运算,开运算结果近似于银河背景。原图减去背景,恒星就被孤立出来了。
背景均衡:不均匀光照的救星
在显微镜或工业视觉中,光照往往不均匀——中心亮、边缘暗。顶帽变换可以提取出这种不均匀背景(近似开运算结果),然后你可以用原图减去背景来做背景均衡(Background Equalization)。这比简单的全局阈值化有效得多。citeweb_search:4#0web_search:4#7
2.6.3.3 黑帽变换(Black-Hat)的暗细节提取与背景补偿
直觉:闭运算减去原图
BlackHat(A) = Closing(A) - A
闭运算填补了所有比结构元小的暗细节(孔洞、裂缝),留下的是“完整的大物体”。闭运算减去原图,剩下的就是被闭运算填掉的那些小黑块。
顶帽 + 黑帽 = 对比度增强
一个经典的图像增强公式:
增强图 = 原图 + TopHat - BlackHat
- 加 TopHat:增强小亮细节。
- 减 BlackHat:增强小暗细节。
这相当于同时提升了图像的局部对比度,而不改变大尺度的亮度结构。在医学影像(如血管增强)中非常有用。citeweb_search:4#7web_search:4#9
结构化伪代码:高级形态学组合
Algorithm AdvancedMorphology
Input: 灰度图 I, 结构元 SE
Output: 梯度 G, 顶帽 T, 黑帽 B
// 基础运算
Erode ← GrayscaleErosion(I, SE)
Dilate ← GrayscaleDilation(I, SE)
Open ← GrayscaleDilation(Erode, SE) // 先腐后膨
Close ← GrayscaleErosion(Dilate, SE) // 先膨后腐
// 差分提取
G ← Dilate - Erode // 形态学梯度
T ← I - Open // 顶帽(亮细节)
B ← Close - I // 黑帽(暗细节)
// 对比度增强(可选)
Enhanced ← I + T - B
2.6.4 击中击不中变换:像素级的精确模式匹配
现在我们已经了解了基于 min/max 的形态学运算。 但腐蚀和膨胀只能回答“结构元是否完全在前景内”或“是否和前景有交集”。如果我们想回答更精确的问题——“这个像素的 8 邻域是否恰好是某个特定图案?”——就需要击中击不中变换(Hit-or-Miss Transform, HMT)。
2.6.4.1 结构元对(前景 / 背景)的匹配模板设计
直觉:不只是匹配前景,还要匹配背景
HMT 的核心洞察是:形状不仅由“有什么”定义,也由“没有什么”定义。一个角点不仅是“某个方向有前景”,也是“其他方向必须有背景”。
因此,HMT 使用一对结构元 (B1, B2):
- B1(前景核):1 表示必须匹配前景,0 表示“不关心(don’t care)”。
- B2(背景核):1 表示必须匹配背景,0 表示“不关心”。
数学定义:
A ⊗ B = (A ⊖ B1) ∩ (Ac ⊖ B2)
翻译:像素 z 保留为 1,当且仅当 B1 完全落在前景 A 内,且 B2 完全落在背景 Ac 内。citeweb_search:4#15web_search:4#21
在 OpenCV 中,cv2.morphologyEx 的 MORPH_HITMISS 支持这种操作。你需要构造一个特殊的核,其中:
1表示前景必须匹配0表示背景必须匹配-1或0(取决于 OpenCV 版本)表示 don’t care
注意:OpenCV 的 HMT 实现要求输入为纯二值图(0 和 1,不是 0 和 255),否则结果会异常。
2.6.4.2 细化(thinning)与骨架提取(medial axis)
我们继续之前的问题。 HMT 能检测拐角,但如果我们迭代地用它“削掉”边界层,直到不能再削,剩下的是什么?
细化:一层一层剥洋葱
细化(Thinning)的定义是:
Thin(A) = A - (A ⊗ B)
也就是从原图中减去 HMT 匹配到的像素。如果我们设计一组结构元,让它们匹配所有“可以被安全删除的边界像素”,然后迭代执行:
- 用 B1 削一层边界
- 用 B2 削一层边界(旋转 90°)
- ……直到 B8(8 个方向全部覆盖)
- 重复直到没有任何像素被删除
最终剩下的就是骨架(Skeleton),也叫 Medial Axis(中轴)。
骨架的性质
- 1 像素宽:所有笔画都变成单像素线条。
- 拓扑保持:不会把连通区域拆成多个(如果结构元设计正确)。
- 中轴性:骨架上的每个点,都是它所在内切圆的圆心。citeweb_search:4#11web_search:4#16
OpenCV 没有直接的 cv2.thinning 函数(3.x 版本后部分模块有 ximgproc 扩展),但你可以用迭代 HMT 自己实现,或者用 cv2.ximgproc.thinning(contrib 模块)。
结构化伪代码:迭代细化
Algorithm MorphologicalThinning
Input: 二值图 A[0..H-1][0..W-1], 8 方向结构元组 {B₁..B₈}
Output: 骨架 S[0..H-1][0..W-1]
S ← A
changed ← True
while changed do
changed ← False
for k ← 1 to 8 do
// HMT: 找到当前方向可删除的边界点
H ← HitOrMiss(S, B<sub>k</sub>)
if H 中存在非零像素 then
S ← S - H // 从前景中删除匹配点
changed ← True
end
end
end
2.6.4.3 角点定位与形状检测的复合应用
现在我们已经了解了骨架提取。 但骨架本身只是一条线,怎么用它做角点检测?
骨架上的三叉点与端点
HMT 不仅可以削边界,还可以检测骨架上的特殊拓扑点:
- 端点(End Point):骨架线段的尽头。
- 分叉点 / 三叉点(Triple Point):三条线段交汇。
用特定的 HMT 模板扫描骨架,就能把这些点标记出来。在字符识别中,端点对应笔画的起点/终点,三叉点对应结构的交汇中心——它们是极其稳定的特征。
形状检测的复合策略
实际应用中,形态学操作很少单独使用。一个经典的形状检测流水线:
- 顶帽/黑帽:提取感兴趣的小尺度细节。
- 开/闭运算:清理噪声,填补断裂。
- 距离变换:找到结构的“中心线”。
- HMT / 细化:提取骨架和角点。
- 几何分析:计算端点数、分叉点数、线段角度,与模板匹配。
2.6.5 距离变换:从二值图到“地形海拔图”
在继续之前,让我们跳出 min/max 滤波的思维。 如果我们不再问“邻域内最亮/最暗是什么”,而是问“这个像素离最近的背景有多远”,我们就进入了距离变换(Distance Transform, DT)的领域。
2.6.5.1 欧氏 / 曼哈顿 / 棋盘距离图的快速并行算法
直觉:每个像素都有一个“到边界的距离值”
给定一张二值图,前景是物体(白),背景是虚空(黑)。距离变换为每个前景像素计算一个数值:到最近背景像素的距离。
想象你站在一个岛屿上。DT 告诉你,你离海岸线有多远。岛屿中心的人数值很大(安全),边缘的人数值很小(危险)。
三种距离度量
- 欧氏距离(Euclidean, L2):sqrt(Δx2 + Δy2)。最精确,符合几何直觉,但计算慢。
- 曼哈顿距离(Manhattan / City-Block, L1):|Δx| + |Δy|。只能横平竖直走,像城市街区。
- 棋盘距离(Chessboard, L∞):max(|Δx|, |Δy|)。像国际象棋中国王的走法,8 个方向等距。
快速并行算法:两遍扫描法(Two-Pass Algorithm)
如果每个像素都暴力搜索全图找最近背景,复杂度是 O(H·W·(H+W)),不可接受。经典的快速算法是 Meijster et al. (2000) 的两遍扫描法,可以在 O(H·W) 线性时间内完成欧氏距离变换。
核心思想:
- 第一遍(前向扫描):从左上到右下,每个像素检查上方和左方的邻居,取最小距离+1。
- 第二遍(后向扫描):从右下到左上,每个像素检查下方和右方的邻居,更新最小值。
对于欧氏距离,算法会维护一个抛物线包络的下凸壳,通过动态规划传递距离信息。OpenCV 的 cv2.distanceTransform 内部就实现了这种优化。citeweb_search:4#1web_search:4#10
结构化伪代码:两遍扫描曼哈顿距离变换
Algorithm TwoPassDistanceTransform
Input: 二值图 B[0..H-1][0..W-1], B[r][c]=1 表示背景, 0 表示前景
Output: 距离图 D[0..H-1][0..W-1]
// 初始化
for r ← 0 to H-1 do
for c ← 0 to W-1 do
if B[r][c] == 1 then
D[r][c] ← 0 // 背景点距离为 0
else
D[r][c] ← +∞
end
end
end
// 第一遍:前向扫描(左上 → 右下)
for r ← 1 to H-1 do
for c ← 1 to W-1 do
if B[r][c] == 0 then
D[r][c] ← 1 + min( D[r-1][c], D[r][c-1] )
end
end
end
// 第二遍:后向扫描(右下 → 左上)
for r ← H-2 downto 0 do
for c ← W-2 downto 0 do
if B[r][c] == 0 then
D[r][c] ← min( D[r][c], 1 + min( D[r+1][c], D[r][c+1] ) )
end
end
end
// 对于欧氏距离,上述 +1 应替换为 sqrt(Δx²+Δy²) 的抛物线包络更新
// OpenCV 内部使用更复杂的 1D 距离变换分解
2.6.5.2 距离变换作为分水岭种子标记的预处理
现在我们已经了解了距离变换能生成“海拔图”。 但这和分割有什么关系?
分水岭算法的核心问题:种子从哪来?
分水岭(Watershed)算法把图像看作地形:前景物体是“盆地”,边界是“山脊”。算法模拟从种子点灌水,水逐渐上涨,当两个盆地的水相遇时,筑起一道坝——这就是分割线。
但种子(markers)从哪来?手动点选不现实。距离变换给出了完美的答案:距离图的局部极大值(Local Maxima)就是盆地的最低点(即物体的中心)。citeweb_search:4#1web_search:4#2web_search:4#4
实际流水线:避免过度分割
直接用局部极大值做种子,噪声会导致“过度分割”(一个物体被切成很多小块)。标准解决方案:
- H-minima 变换:抑制深度小于 h 的局部极小值(在距离图上,就是合并浅盆地)。
- 阈值过滤:只保留距离值大于 τ 的峰值(小物体不生成种子)。
- 形态学膨胀种子:把种子点膨胀成小圆盘,确保分水岭稳定收敛。citeweb_search:4#4web_search:4#14
关键洞察:距离变换 + 分水岭是处理“粘连圆形物体”(细胞、血球、气泡、颗粒)的工业级标准方案。在 OpenCV 中,你可以用 cv2.distanceTransform 生成 DT,用 cv2.connectedComponents 或 cv2.findContours 做种子标记,最后调用 cv2.watershed 完成分割。citeweb_search:4#4web_search:4#19
闭环总结:这一切在训练 / 实际使用中意味着什么?
好了,我们已经走完了从基础腐蚀到分水岭分割的完整形态学旅程。 让我们把散落的珠子串起来:
-
结构元是“画笔”,不是“黑盒”:矩形、椭圆、十字形的选择直接决定了运算的各向异性。处理细胞用椭圆,处理文字用矩形,处理线条用十字——选错画笔,结果会带着人造的棱角或不该有的断裂。
-
开运算和闭运算的顺序不可逆:开运算先腐后膨,只去外部噪声;闭运算先膨后腐,只填内部孔洞。把它们记反了,你会得到完全错误的结果。
-
迭代次数和核尺寸是等效但不同质的:3×3 迭代 3 次 ≠ 9×9 迭代 1 次。前者边缘更圆滑,后者更快但有角效应。在实时系统中,用大核单次;在精度系统中,用小核多次。
-
顶帽和黑帽是“免费的对比度增强”:它们不需要训练数据,只需要一个结构元尺寸的选择。在显微镜图像预处理、OCR 背景去除、低对比度血管增强中,它们是首选工具。
-
击中击不中是所有形态学的“原子操作”:腐蚀、膨胀、细化、骨架、角点检测,都可以从 HMT 推导出来。理解 HMT,你就理解了形态学的底层语法。
-
距离变换是分 watershed 和实例分割的桥梁:从二值图到 DT 图,再到局部极大值种子,最后到分水岭分割线——这条流水线在生物影像、材料科学、工业质检中无处不在。
延伸阅读:
- J. Serra, “Image Analysis and Mathematical Morphology,” Academic Press, 1982.(形态学圣经,击中击不中原始定义)
- R. M. Haralick et al., “Image Analysis Using Mathematical Morphology,” IEEE TPAMI, 1987.(形态学综述经典)
- A. Meijster et al., “A General Algorithm for Computing Distance Transforms in Linear Time,” Mathematical Morphology, 2000.(线性时间 DT 算法)
- L. Vincent, “Morphological Grayscale Reconstruction in Image Analysis: Applications and Efficient Algorithms,” IEEE TIP, 1993.(分水岭与形态学重建)
- P. Soille, “Morphological Image Analysis: Principles and Applications,” Springer, 2003.(形态学应用大全)
写在最后:形态学运算的魅力在于,它不需要学习、不需要 GPU,仅凭几何直觉就能解决大量实际问题。但正是这种“简单”,让很多人忽视了结构元设计的精妙。下次当你调用
cv2.morphologyEx时,希望你能想起我们在这节课里讨论的——那个小小的 3×3 核,正在以集合论的名义,重新定义图像的形状。 我们下次见。
895



被折叠的 条评论
为什么被折叠?



