基于Python和OpenCV的阈值图像大噪声块非激进形态学去除方案咨询

针对你形态学处理后仍存在的白色目标内部黑色噪声，除了激进形态学操作，可采用以下几种高效方法：

1. 孔洞填充法 #

这是最直接适配场景的方案，专门针对二值图像内部的黑色孔洞进行填充，核心思路是识别并填充目标区域内的封闭黑色区域：

OpenCV实现示例 #

import cv2
import numpy as np

# 读取形态学处理后的二值图像（单通道，0=黑，255=白）
img = cv2.imread("Tds8W.png", cv2.IMREAD_GRAYSCALE)
# 图像取反：将白色Blob转为黑色背景，内部黑色孔洞转为白色区域
inv_img = cv2.bitwise_not(img)
# 提取所有连通轮廓（包含层级信息，区分外层背景和内部孔洞）
contours, hierarchy = cv2.findContours(inv_img, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)

# 遍历轮廓，填充所有内部孔洞（层级hierarchy[0][i][3] != -1 表示内部轮廓）
for i in range(len(contours)):
    if hierarchy[0][i][3] != -1:
        cv2.drawContours(inv_img, [contours[i]], 0, 0, -1)

# 再次取反得到填充后的图像
filled_img = cv2.bitwise_not(inv_img)
# 保存或展示结果
cv2.imwrite("filled_result.png", filled_img)

2. 连通区域筛选法 #

如果目标白色Blob具备明显的面积优势（远大于内部噪声），可通过筛选最大连通区域直接去除内部噪声：

OpenCV实现示例 #

import cv2
import numpy as np

img = cv2.imread("Tds8W.png", cv2.IMREAD_GRAYSCALE)
# 标记所有连通区域，同时获取区域面积等统计信息
num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(img, connectivity=8)

# 跳过背景区域（索引0），找到面积最大的连通区域
max_area_idx = np.argmax(stats[1:, cv2.CC_STAT_AREA]) + 1
# 生成仅保留最大区域的掩码
mask = np.zeros_like(img)
mask[labels == max_area_idx] = 255

# 用掩码过滤原图像，得到无内部噪声的目标区域
result = cv2.bitwise_and(img, mask)

3. 形态学重建法 #

通过形态学重建在保留目标Blob原始轮廓的前提下填充内部孔洞，避免激进形态学操作导致的轮廓失真：

OpenCV实现示例 #

import cv2
import numpy as np

img = cv2.imread("Tds8W.png", cv2.IMREAD_GRAYSCALE)
# 创建结构元素（椭圆核，适配圆形/类圆形目标）
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
# 开运算生成标记图像：去除细小噪声，保留目标主体轮廓
marker = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

# 迭代进行膨胀与与运算，完成形态学重建
while True:
    prev_marker = marker.copy()
    marker = cv2.dilate(marker, kernel)
    marker = cv2.bitwise_and(marker, img)
    # 当标记图像不再变化时停止迭代
    if np.array_equal(prev_marker, marker):
        break

result = marker

内容的提问来源于stack exchange，提问作者Tom Blums