企业官网建设流程全解析

1. 从一张二值图说起：形态学到底在折腾什么

很多人第一次接触数学形态学，是在图像处理课上听到"腐蚀""膨胀"这两个词，然后被一堆集合论符号劝退。我当初也是这么过来的——课本上写着"用结构元素B对集合A进行腐蚀"，配一张文氏图，看完只觉得每个字都认识，连起来不知道在干嘛。直到我自己动手写了几行代码，把一张黑白图跑了一遍腐蚀和膨胀，才突然明白：这玩意儿本质上就是用一个小模板在图像上滑动，根据模板覆盖区域的像素分布，决定中心像素该留还是该扔。

数学形态学的核心思想其实非常朴素。它不关心像素的具体灰度值是多少，而是关心形状——这个区域是圆的还是方的，边界是光滑的还是毛糙的，有没有小孔洞，有没有细连接。它处理问题的角度和卷积、滤波那一套完全不同。卷积是加权求和，形态学是集合运算。你可以把形态学想象成用一块橡皮泥去按压一个图案：橡皮泥的形状决定了图案被"吃掉"多少或者被"撑大"多少。

这套理论最早可以追溯到上世纪六十年代，后来在图像分析领域扎下了根。它的应用场景远比想象中广泛：工业质检里检测PCB板上的焊点缺陷，医学影像里分割细胞核，遥感图像里提取道路和河流，甚至指纹识别里的细化处理，背后都有形态学的影子。关键词里提到的腐蚀、膨胀、开运算、闭运算、结构元素、二值图像、灰度形态学、击中击不中变换、骨架提取、形态学滤波，基本覆盖了这门技术的核心工具箱。

这篇文章适合谁看？如果你正在学数字图像处理，被形态学的数学定义绕晕了，想找个接地气的入口；或者你在做项目时遇到了"怎么把断裂的线条连起来""怎么去掉背景里的小噪点""怎么提取物体的骨架"这类具体问题，翻了一圈资料发现都是公式，那这篇笔记应该能帮到你。我会从最基础的操作讲起，把每个操作的动机、原理、代码实现、参数选择、踩坑经验都过一遍，尽量做到看完就能上手改自己的图。

提示：本文假设你有基本的Python和NumPy使用经验，对图像的基本概念（像素、通道、二值化）有初步了解。如果这些还不熟，建议先补一下再回来，不然有些地方可能会卡住。

2. 腐蚀与膨胀：形态学的两块基石

2.1 腐蚀操作到底在"腐蚀"什么

腐蚀（Erosion）的定义用一句话说就是：用一个结构元素去扫描图像的每一个像素，只有当结构元素完全覆盖的区域都是前景像素时，中心像素才保留为前景。换句话说，它是在"收缩"前景区域，把边界往里啃掉一圈。

为什么叫"腐蚀"？你可以想象一块金属被酸液腐蚀，边缘会一点点被吃掉，面积变小，细小的突起会断掉。腐蚀操作的效果就是这样：前景区域缩小，小于结构元素的孤立噪点直接消失，两个物体之间若有细连接会被切断。

用集合论的语言表达：A被B腐蚀，记作A⊖B，结果是所有满足"B平移x后仍完全包含在A中"的x的集合。这个定义看起来很抽象，但翻译成代码逻辑就很直白：

import numpy as np import cv2 # 读取图像并二值化 img = cv2.imread('test.png', 0) _, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 定义一个3x3的矩形结构元素 kernel = np.ones((3, 3), np.uint8) # 腐蚀操作 eroded = cv2.erode(binary, kernel, iterations=1)

这段代码里，kernel就是结构元素，iterations是腐蚀的次数。每多腐蚀一次，前景就多缩一圈。结构元素的大小和形状直接决定了腐蚀的"力度"和"方向性"。

我刚开始用的时候犯过一个错：拿一张白底黑字的图直接做腐蚀，结果发现字变粗了。后来才反应过来，OpenCV默认把非零像素当前景，白底黑字的情况下背景是255，前景是0，腐蚀操作作用在了背景上，效果自然反过来了。所以做形态学之前，一定要确认你的前景是白色（255）还是黑色（0），这个搞反了后面全错。

2.2 膨胀：把断裂的东西接起来

膨胀（Dilation）和腐蚀正好相反：只要结构元素覆盖的区域里有一个前景像素，中心像素就变成前景。效果是前景区域扩张，边界往外长，小孔洞被填满，断裂的线条被连接起来。

膨胀的集合论定义是A⊕B，结果是所有满足"B平移x后与A有交集"的x的集合。代码上就是把cv2.erode换成cv2.dilate：

dilated = cv2.dilate(binary, kernel, iterations=1)

膨胀最典型的应用场景是修复断裂的文字或线条。比如你从扫描件里提取出来的文字笔画断了，用膨胀可以把它们重新连上。但膨胀也有副作用：它会让原本分离的物体粘在一起。如果你的图里有两个靠得很近的细胞，膨胀之后可能就分不开了。

这里有个经验之谈：膨胀的次数和结构元素大小要配合着调。我一般先用3x3的核试一次，看效果不够再加次数，而不是一上来就用大核。因为大核的膨胀效果比较"粗暴"，容易把不该连的地方也连上。小核多次膨胀的可控性更好，你可以逐步观察变化。

2.3 结构元素：形态学的"模具"

结构元素（Structuring Element）是形态学操作里最关键的参数，没有之一。它决定了操作的形状和方向性。常见的结构元素有：

结构元素的大小通常是奇数（3x3、5x5、7x7），因为需要一个中心点。选多大的核，取决于你要处理的物体尺寸和噪点尺寸。原则是：核的大小要大于噪点、小于目标物体。如果噪点比目标还大，那形态学就无能为力了，得换其他方法。

我踩过的一个坑是：用椭圆核对矩形物体做腐蚀，结果四个角被磨圆了。当时没注意，后面做轮廓分析时发现角点检测全乱了。所以结构元素的形状要和目标物体的形状匹配，处理矩形物体就用矩形核，处理圆形物体就用椭圆核，不要随便混用。

3. 开运算与闭运算：腐蚀膨胀的组合拳

3.1 开运算：先腐蚀后膨胀，去噪不留痕

单独用腐蚀会有一个问题：它在去掉噪点的同时，也会把目标物体缩小一圈。如果你只是想去噪，不想改变物体大小，那就需要开运算。

开运算（Opening）的定义是先腐蚀后膨胀，记作A∘B = (A⊖B)⊕B。它的效果很巧妙：腐蚀把小的噪点和细连接去掉了，膨胀再把剩下的物体恢复到原来的大小。因为被腐蚀掉的部分已经没了，膨胀只能把还存在的物体撑回来，所以开运算能在不改变物体主体尺寸的前提下，去掉小噪点和毛刺。

opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

开运算的典型应用是去除背景中的小白点噪点。比如你从一张有噪点的扫描件里提取文字，二值化之后背景上有很多孤立的小白点，用开运算一跑，噪点全没了，文字主体基本不变。

但开运算也不是万能的。如果噪点和目标物体大小差不多，开运算会把它们一起干掉。这时候就得考虑其他方案，比如连通域分析后按面积筛选。

3.2 闭运算：先膨胀后腐蚀，填洞补缝

闭运算（Closing）和开运算正好相反：先膨胀后腐蚀，记作A•B = (A⊕B)⊖B。膨胀先把小孔洞和裂缝填上，腐蚀再把物体缩回原来的大小。因为孔洞已经被填了，腐蚀不会重新把它们挖出来，所以闭运算能在不改变物体主体尺寸的前提下，填补小孔洞和裂缝。

closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

闭运算最常用的场景是填充物体内部的小孔洞。比如你做了一个阈值分割，物体内部因为光照不均出现了几个小黑洞，用闭运算就能填上。另一个场景是连接断裂的线条，比如提取出来的血管或者道路断了，闭运算可以把它们接起来。

这里有个选择困难：什么时候用开运算，什么时候用闭运算？我的判断标准很简单——看你要处理的是前景上的噪点还是背景上的噪点。前景上的毛刺和小突起用开运算去掉，背景上的小孔洞和裂缝用闭运算填上。如果两种都有，那就先开后闭，或者先闭后开，看哪个效果好。

注意：开运算和闭运算都是不可逆的。一旦做了，原始信息就丢了。所以如果后续还要做精细分析，建议保留一份原始二值图。

3.3 开闭运算的顺序问题

有时候一张图既有前景噪点又有背景孔洞，那就需要同时用开运算和闭运算。但顺序很重要：先开后闭还是先闭后开，结果可能不一样。

先开后闭：先去前景噪点，再填背景孔洞。适合前景噪点比较多的情况。 先闭后开：先填背景孔洞，再去前景噪点。适合背景孔洞比较多的情况。

我一般会两种都试一下，对比效果再决定。如果差别不大，就选先开后闭，因为开运算去噪更彻底一些，后面闭运算填洞时不会把噪点也一起填进去。

4. 形态学梯度、顶帽与黑帽：边缘与细节的提取

4.1 形态学梯度：用膨胀减腐蚀

形态学梯度（Morphological Gradient）的定义是膨胀图减去腐蚀图。膨胀让物体变大，腐蚀让物体变小，两者相减，剩下的就是物体的边界区域。

gradient = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)

这个操作提取出来的边缘有一个特点：边缘的粗细取决于结构元素的大小。核越大，边缘越粗。如果你只需要细边缘，就用小核；如果需要粗边缘做后续处理，就用大核。

形态学梯度和Canny、Sobel这些边缘检测算子有什么区别？简单说，Canny和Sobel是基于灰度梯度的，对噪声敏感，需要平滑预处理；形态学梯度是基于集合运算的，对二值图效果稳定，但对灰度图需要先做处理。我一般在对二值图做边缘提取时用形态学梯度，对灰度图用Canny。

4.2 顶帽变换：提取亮细节

顶帽变换（Top Hat）的定义是原图减去开运算结果。开运算去掉了比结构元素小的亮细节，原图减去开运算结果，剩下的就是那些被去掉的亮细节。

tophat = cv2.morphologyEx(gray_img, cv2.MORPH_TOPHAT, kernel)

顶帽变换在光照不均的图像上特别有用。比如一张文档照片，中间亮四周暗，直接二值化会导致中间过曝、四周欠曝。用顶帽变换可以把光照不均的背景去掉，只留下文字部分，然后再二值化，效果会好很多。

我做过一个项目，处理的是工业相机拍的金属表面图像，表面反光严重，光照极不均匀。用顶帽变换预处理之后，缺陷检测的准确率提升了不少。当时用的核大小是15x15，比缺陷尺寸略大，这样能把缺陷完整提取出来。

4.3 黑帽变换：提取暗细节

黑帽变换（Black Hat）的定义是闭运算结果减去原图。闭运算填掉了比结构元素小的暗细节，闭运算结果减去原图，剩下的就是那些被填掉的暗细节。

blackhat = cv2.morphologyEx(gray_img, cv2.MORPH_BLACKHAT, kernel)

黑帽变换适合提取亮背景上的暗细节，比如白纸上的黑色文字、亮表面上的暗缺陷。和顶帽变换正好互补。

顶帽和黑帽的选择，取决于你要提取的细节是比背景亮还是比背景暗。亮细节用顶帽，暗细节用黑帽。如果不确定，两个都跑一下，看哪个响应强。

5. 击中击不中变换与骨架提取：形态学的进阶玩法

5.1 击中击不中：精确匹配形状

击中击不中变换（Hit-or-Miss Transform）是形态学里用来检测特定形状的操作。它的原理是：用一个结构元素对前景做腐蚀，同时用另一个结构元素对背景做腐蚀，两者都匹配的位置才保留。

这个操作在实际中用得不多，但在某些特定场景下非常有用。比如你要在一张图里找到所有"左上角有像素、右下角没有像素"的位置，就可以设计对应的结构元素来做匹配。

# 定义前景和背景的结构元素 kernel_foreground = np.array([[0, 1, 0], [1, 1, 1], [0, 1, 0]], dtype=np.uint8) kernel_background = np.array([[1, 0, 1], [0, 0, 0], [1, 0, 1]], dtype=np.uint8) # 击中击不中变换 hitmiss = cv2.morphologyEx(binary, cv2.MORPH_HITMISS, kernel_foreground - kernel_background)

这个操作的难点在于结构元素的设计。前景和背景的结构元素必须互补，而且要和目标形状精确匹配。我试过用它来检测棋盘格的角点，效果还可以，但调参比较费劲。

5.2 骨架提取：把物体变细成线

骨架提取（Skeletonization）是形态学里一个很实用的操作，它把粗的物体细化成单像素宽的骨架，同时保持物体的拓扑结构不变。骨架提取在文字识别、指纹分析、血管分析里都有应用。

OpenCV本身没有直接的骨架提取函数，但可以用形态学操作组合实现。基本思路是：反复做腐蚀，每次腐蚀后看是否还能再腐蚀，直到只剩下骨架。更常用的方法是使用细化算法（Thinning），OpenCV的扩展模块ximgproc里有thinning函数。

# 需要安装opencv-contrib-python from cv2 import ximgproc # 骨架提取 skeleton = ximgproc.thinning(binary, ximgproc.THINNING_ZHANGSUEN)

骨架提取的一个常见问题是毛刺。因为物体边界不规则，提取出来的骨架会有很多小分支。这时候可以用形态学的开运算或者剪枝算法来去掉毛刺。我一般会先对二值图做一次开运算平滑边界，再提取骨架，毛刺会少很多。

5.3 形态学重建：保留特定形状的物体

形态学重建（Morphological Reconstruction）是一种更高级的形态学操作，它用一个图像作为"种子"，另一个图像作为"掩膜"，通过反复膨胀和取交集，最终恢复出与种子相连的完整物体。

这个操作在去除边界物体、提取特定区域时很有用。比如你有一张细胞图，想提取所有与某个种子点相连的细胞，就可以用形态学重建。OpenCV里没有直接的函数，但可以用迭代膨胀加掩膜的方式实现。

6. 灰度形态学：从二值到灰度的跨越

6.1 灰度腐蚀与膨胀：不是简单的阈值化

前面讲的都是二值形态学，处理的是黑白图。但实际项目中，我们拿到的往往是灰度图。灰度形态学的操作逻辑和二值类似，但定义方式不同。

灰度腐蚀的定义是：在结构元素覆盖的邻域内取最小值。灰度膨胀的定义是：在结构元素覆盖的邻域内取最大值。你可以理解为：腐蚀让图像变暗（取最小），膨胀让图像变亮（取最大）。

# 灰度腐蚀 gray_eroded = cv2.erode(gray_img, kernel, iterations=1) # 灰度膨胀 gray_dilated = cv2.dilate(gray_img, kernel, iterations=1)

灰度形态学的一个典型应用是去除椒盐噪声。椒盐噪声表现为随机的极亮或极暗像素，用灰度开运算（先腐蚀后膨胀）可以去掉亮噪点，用灰度闭运算可以去掉暗噪点。

我做过一个实验：对一张加了椒盐噪声的灰度图，分别用中值滤波和灰度开闭运算处理。结果是中值滤波对椒盐噪声更有效，但灰度形态学在保留边缘方面更好。所以如果边缘信息很重要，可以考虑灰度形态学。

6.2 灰度形态学的参数选择

灰度形态学的结构元素选择比二值更讲究。因为灰度图里没有明确的"前景"和"背景"，结构元素的大小直接决定了操作的"尺度"。

核太小，效果不明显；核太大，会把有用的细节也抹掉。我的经验是：先分析图像中噪声的尺度，然后选一个比噪声略大的核。比如噪声是1-2个像素的，就用3x3的核；噪声是3-5个像素的，就用5x5或7x7的核。

另外，灰度形态学的结构元素形状也有影响。矩形核在各方向上的效果均匀，椭圆核在边缘处更平滑，十字核保留水平垂直方向的细节。具体选哪个，要看你的应用场景。

6.3 灰度形态学的实际案例

举个我实际做过的例子：从一张X光片里提取骨骼区域。X光片的特点是骨骼亮、软组织暗，但整体对比度不高，而且有噪声。

我的处理流程是：

1. 先用灰度闭运算（大核）填充骨骼内部的小暗孔
2. 再用灰度开运算（小核）去掉软组织上的亮噪点
3. 然后用顶帽变换增强骨骼的亮细节
4. 最后做阈值分割提取骨骼

这个流程里，闭运算的核用了15x15，开运算的核用了3x3，顶帽变换的核用了9x9。参数不是拍脑袋定的，是反复试出来的。每调一次参数，就保存一张中间结果图，对比着看，慢慢就找到合适的值了。

7. 形态学在实战中的典型应用与踩坑记录

7.1 工业质检：PCB焊点缺陷检测

PCB焊点检测是形态学的经典应用场景。焊点通常是圆形或椭圆形的亮斑，缺陷表现为焊点缺失、焊点过小、焊点桥接等。

我的处理流程是：

1. 对PCB图像做阈值分割，提取焊点区域
2. 用开运算去掉小噪点
3. 用闭运算填充焊点内部的小孔
4. 用形态学梯度提取焊点边缘
5. 对每个焊点做圆度分析，判断是否合格

这里踩过的坑是：焊点桥接。两个焊点靠得太近，阈值分割后连在一起了。用腐蚀可以分开，但腐蚀也会让焊点变小。后来我改用距离变换加分水岭算法，效果更好。形态学在这里的作用变成了预处理，而不是最终方案。

7.2 医学影像：细胞核分割

细胞核分割是医学影像分析里的常见任务。细胞核通常是圆形或椭圆形的暗区域（在明场显微镜下），背景是亮的。

处理流程：

1. 用顶帽变换增强细胞核的暗细节
2. 用闭运算填充细胞核内部的小亮孔
3. 用开运算去掉背景上的小暗噪点
4. 用阈值分割提取细胞核
5. 用形态学梯度提取细胞核边界

踩过的坑是：细胞核粘连。两个细胞核挨在一起，分割后变成一个。用腐蚀可以分开，但会丢失边界信息。后来我用了基于标记的分水岭算法，形态学只用来做预处理和后处理。

7.3 文档处理：文字提取与版面分析

从扫描文档里提取文字，形态学也能帮上忙。特别是当文档有光照不均、背景噪点、文字断裂等问题时。

处理流程：

1. 用顶帽变换校正光照不均
2. 用闭运算连接断裂的文字笔画
3. 用开运算去掉背景噪点
4. 用形态学梯度提取文字边缘
5. 用连通域分析提取文字区域

踩过的坑是：文字笔画粗细不一。标题字粗，正文字细，用同一个核处理，要么标题过处理，要么正文欠处理。后来我改成了自适应核大小，根据文字区域的笔画宽度动态调整核的大小，效果好了很多。

7.4 遥感图像：道路提取

遥感图像里的道路提取，形态学也有用武之地。道路通常是细长的亮线或暗线，背景是各种地物。

处理流程：

1. 用顶帽或黑帽变换增强道路细节
2. 用方向性结构元素做形态学滤波，保留特定方向的线条
3. 用闭运算连接断裂的道路
4. 用开运算去掉非道路的噪点
5. 用骨架提取得到道路中心线

踩过的坑是：道路方向多变。用单一方向的结构元素只能保留一个方向的线条，其他方向的会被滤掉。后来我用了多方向的结构元素，分别做形态学滤波，再把结果合并，效果好了很多，但计算量也上去了。

8. 形态学参数调优的几点心得

8.1 结构元素大小：从3x3开始试

我见过很多新手一上来就用15x15的大核，结果把有用的细节全抹掉了。我的建议是：从3x3开始，逐步增大，观察效果变化。每次增大都保存中间结果，对比着看。通常3x3、5x5、7x7这三个尺寸就能覆盖大部分场景。

如果3x3效果不够，先别急着换大核，试试增加迭代次数。iterations=2的3x3核，效果接近5x5核，但可控性更好。

8.2 结构元素形状：匹配目标形状

矩形核适合处理矩形物体，椭圆核适合处理圆形物体，十字核适合保留水平垂直方向的细节。如果目标形状不规则，可以先用矩形核试，效果不好再换。

我做过一个实验：对同一个圆形物体，分别用矩形核和椭圆核做腐蚀。矩形核腐蚀后的物体边缘有棱角，椭圆核腐蚀后的边缘更平滑。所以如果后续要做圆度分析，椭圆核更合适。

8.3 操作顺序：先开后闭还是先闭后开

前面提过，顺序会影响结果。我的经验是：如果前景噪点多，先开后闭；如果背景孔洞多，先闭后开。如果不确定，两种都试，对比效果。

另外，开运算和闭运算的核大小可以不同。比如先用3x3的核做开运算去噪，再用5x5的核做闭运算填洞。这样更灵活。

8.4 灰度形态学的归一化问题

灰度形态学处理前，建议先把图像归一化到0-255范围。如果图像是16位的，直接做形态学可能会溢出。我踩过这个坑：一张16位的医学图像，直接做灰度膨胀，结果像素值超过65535，变成了0，图像全黑了。后来先归一化到8位再处理，就没问题了。

9. 形态学与其他图像处理技术的配合

9.1 形态学+阈值分割：先处理后分割

形态学经常和阈值分割配合使用。顺序通常是：先做形态学预处理，再做阈值分割。因为形态学可以改善图像质量，让阈值分割更容易找到合适的阈值。

比如一张光照不均的图，直接阈值分割效果很差。先用顶帽变换校正光照，再阈值分割，效果就好很多。

9.2 形态学+连通域分析：先分割后筛选

阈值分割后，往往会有很多小噪点。这时候可以用形态学开运算去掉，也可以用连通域分析按面积筛选。我的经验是：如果噪点尺寸比较一致，用形态学开运算更快；如果噪点尺寸差异大，用连通域分析更灵活。

9.3 形态学+边缘检测：互补使用

形态学梯度和Canny、Sobel这些边缘检测算子可以互补。形态学梯度对二值图效果好，Canny对灰度图效果好。我一般会两种都跑一下，看哪种边缘更完整、更连续。

9.4 形态学+深度学习：预处理和后处理

在深度学习时代，形态学依然有用武之地。它可以作为预处理，改善输入图像质量；也可以作为后处理，优化分割结果。比如语义分割出来的mask有毛刺，用开运算平滑一下；有孔洞，用闭运算填一下。

我做过一个实验：在细胞分割任务中，对U-Net的输出做形态学后处理，IoU提升了2个百分点。虽然不多，但说明形态学在深度学习流程里还是有价值的。

10. 一些零散但有用的经验

形态学的代码实现本身不复杂，难的是参数选择和流程设计。我总结了几条经验，都是踩坑踩出来的：

第一，永远保留原始图。形态学操作是不可逆的，一旦做了就回不去了。我习惯把每一步的中间结果都保存下来，方便对比和回退。

第二，先在小图上试。如果图像很大，直接跑形态学会很慢。我一般会先裁剪一块代表性区域，在小图上调好参数，再应用到全图。

第三，可视化很重要。形态学操作的结果往往需要对比着看才能判断好坏。我习惯用matplotlib把原图、中间结果、最终结果拼在一起显示，一目了然。

第四，不要迷信形态学。形态学不是万能的，有些问题用其他方法更合适。比如去噪，中值滤波可能比形态学更好；边缘检测，Canny可能比形态学梯度更好。形态学只是工具箱里的一把锤子，不是所有问题都是钉子。

第五，多试几种组合。形态学的操作组合很多，开运算、闭运算、顶帽、黑帽、梯度，不同顺序、不同参数，结果可能差很多。我一般会设计一个实验矩阵，把几种典型组合都跑一遍，选最好的。

第六，注意图像边界。形态学操作在图像边界处会有特殊处理，OpenCV默认用BORDER_CONSTANT填充，可能导致边界处的效果和内部不一致。如果边界很重要，可以试试BORDER_REPLICATE或BORDER_REFLECT。

第七，性能优化。形态学操作的计算量和核大小、图像尺寸成正比。如果实时性要求高，可以考虑用分离核（比如矩形核可以分解为水平和垂直两个方向分别处理），或者用GPU加速。OpenCV的cv2.UMat可以把计算放到GPU上，速度提升明显。

第八，形态学不是只有二值。很多人一提到形态学就想到二值图，其实灰度形态学同样重要。而且灰度形态学的操作逻辑更通用，二值形态学可以看作是灰度形态学的特例。

第九，结构元素可以自定义。OpenCV提供的矩形、椭圆、十字只是最常用的几种。你可以用NumPy数组自定义任意形状的结构元素。比如要检测特定角度的线条，可以设计一个对应角度的线性结构元素。

第十，形态学重建是个宝藏。很多人不知道形态学重建，但它能解决一些其他方法很难处理的问题，比如去除与边界相连的物体、提取特定区域。值得花时间研究一下。

最后再分享一个小技巧：如果你不确定该用什么形态学操作，可以先对图像做一次开运算和一次闭运算，对比两者的差异。差异大的地方，就是形态学能发挥作用的地方。差异小的地方，说明形态学可能帮不上忙，得换其他方法。这个技巧帮我省了很多试错时间。