如何借助OpenCV为图像实现局部形态学处理？

核心逻辑 #

你需要的不是全局形态学操作，而是基于局部亮度特征的自适应形态学处理：针对暗区用顶帽变换突出浅色目标，针对亮区用黑帽变换突出深色目标，二者融合即可得到目标效果。

操作步骤 #

• 首先对原图做局部亮度统计，用滑动窗口计算每个像素邻域的平均灰度，区分偏亮、偏暗两类区域，也可以用平均灰度作为后续操作的权重实现自然过渡。
• 偏暗区域使用顶帽变换：该操作等于原图减去形态学开运算结果，能够精准提取暗背景下的浅色小区域，直接叠加到原图对应位置即可提升暗区浅色内容的对比度。
• 偏亮区域使用黑帽变换：该操作等于形态学闭运算结果减去原图，能够精准提取亮背景下的深色小区域，从原图对应位置减去该结果即可提升亮区深色内容的醒目程度。
• 最后将两类区域的处理结果拼接或加权融合，得到最终输出。

可直接运行的代码示例（基于Python+OpenCV） #

import cv2
import numpy as np

# 读取输入灰度图
gray_img = cv2.imread("input.jpg", cv2.IMREAD_GRAYSCALE)
# 定义形态学操作的结构元，尺寸可根据需要突出的目标大小调整，这里用5x5矩形
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 计算15x15邻域的局部平均灰度，用于区分明暗区域
local_avg = cv2.blur(gray_img, (15, 15))
# 用OTSU自适应阈值划分亮区掩模和暗区掩模
_, bright_mask = cv2.threshold(local_avg, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
dark_mask = 255 - bright_mask

# 计算顶帽变换结果，用于暗区增强
top_hat = cv2.morphologyEx(gray_img, cv2.MORPH_TOPHAT, kernel)
# 暗区叠加顶帽结果，提亮浅色内容
dark_enhanced = cv2.add(gray_img, cv2.bitwise_and(top_hat, top_hat, mask=dark_mask))

# 计算黑帽变换结果，用于亮区增强
black_hat = cv2.morphologyEx(gray_img, cv2.MORPH_BLACKHAT, kernel)
# 亮区减去黑帽结果，压暗暗色内容
final_result = cv2.subtract(dark_enhanced, cv2.bitwise_and(black_hat, black_hat, mask=bright_mask))

# 保存或展示结果
cv2.imwrite("output.jpg", final_result)

优化提示 #

如果需要明暗区域的过渡更自然，不用硬阈值做掩模划分，可以把局部平均灰度归一化到0~1区间作为权重，对顶帽和黑帽的结果做加权融合即可。

内容的提问来源于stack exchange，提问作者Sajad Rezvani