前言

前三篇我们已经搞定了：图像读写、色彩归一化、二值化、滤波降噪。

画面整体干净了，但真实工业场景还会出现最后一类顽固问题：

• 目标边缘毛躁、锯齿、小毛刺

• 人体、安全帽轮廓内部出现小黑孔洞

• 背景残留细碎小白杂点

• 目标轻微断裂、粘连导致YOLO识别不稳定

这些问题降噪、二值化都解决不了，必须用形态学操作。

形态学是工业视觉最后一道预处理关卡，作用只有一个：修整轮廓、净化黑白结构、让YOLO看得更准、更干净。

一、形态学核心结构元（工业固定模板）

所有形态学操作都需要一个卷积核（结构元）。

工业安防、穿戴检测场景统一使用 3×3 十字核/矩形核，效果最稳、不破坏目标轮廓。

import cv2 import numpy as np # 工业通用结构元（3*3 矩形核） kernel = np.ones((3, 3), np.uint8)

二、腐蚀 Erosion：消除细小毛刺、碎点

核心作用：收缩白色区域、吃掉边缘细小杂点、毛刺

适配工业场景：去除二值图残留细碎白点、边缘毛边、微小干扰轮廓

import cv2 import numpy as np img = cv2.imread("binary_noise.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel = np.ones((3,3), np.uint8) # 腐蚀操作 erosion = cv2.erode(gray, kernel, iterations=1) cv2.imshow("original", img) cv2.imshow("erosion", erosion) cv2.waitKey(0) cv2.destroyAllWindows()

注意：迭代次数不要过大，否则目标会缩小、丢失边缘特征，导致YOLO漏检。

三、膨胀 Dilation：填补孔洞、修复断裂轮廓

核心作用：扩张白色区域、填充目标内部小黑孔、修复轻微断裂轮廓

适配工业场景：安全帽内部黑点、人体轮廓空洞、光照不均匀导致的目标镂空

import cv2 import numpy as np img = cv2.imread("binary_noise.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel = np.ones((3,3), np.uint8) # 膨胀操作 dilation = cv2.dilate(gray, kernel, iterations=1) cv2.imshow("dilation", dilation) cv2.waitKey(0) cv2.destroyAllWindows()

四、开运算：先腐蚀后膨胀（去小白杂点最强）

工业定义：先腐蚀、后膨胀

核心作用：删除孤立细小白点、残留碎噪、背景杂斑，同时不改变目标整体大小

适用场景：厂区复杂背景、地面纹路、墙面噪点、远距离细碎干扰

import cv2 import numpy as np img = cv2.imread("binary_noise.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel = np.ones((3,3), np.uint8) # 开运算 open_op = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel) cv2.imshow("open", open_op) cv2.waitKey(0) cv2.destroyAllWindows()

YOLO刚需：开运算可以大幅减少画面细碎干扰，降低大量莫名其妙的小目标误检。

五、闭运算：先膨胀后腐蚀（补孔洞最强）

工业定义：先膨胀、后腐蚀

核心作用：填补目标内部小黑孔洞、修补断裂缝隙，不放大背景噪点

适用场景：安全帽镂空、衣服反光空洞、肢体明暗断层、目标缺口

import cv2 import numpy as np img = cv2.imread("binary_noise.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kernel = np.ones((3,3), np.uint8) # 闭运算 close_op = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel) cv2.imshow("close", close_op) cv2.waitKey(0) cv2.destroyAllWindows()

六、梯度运算（轮廓描边）

作用：膨胀-腐蚀，提取目标边缘轮廓

用途：人体边缘提取、肢体边界强化、裸露皮肤轮廓增强

gradient = cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel) cv2.imshow("gradient", gradient) cv2.waitKey(0)

七、工业场景终极选型口诀（直接背）

• 背景细碎白点、杂点多 → 开运算

• 目标内部孔洞、缺口多 → 闭运算

• 边缘毛刺严重 → 腐蚀

• 目标残缺、断裂 → 膨胀

• 需要强化轮廓边界 → 梯度运算

八、完整版：YOLO工业级终极预处理流水线（降噪+二值化+形态学）

本节重磅：整套项目落地最终版预处理代码，前面四节课所有技术全部整合，工业项目直接替换即用。

import cv2 import numpy as np from ultralytics import YOLO # 加载最优ONNX模型 model = YOLO("best.onnx") # 读取监控画面 frame = cv2.imread("factory.jpg") # 1. 高斯降噪 frame = cv2.GaussianBlur(frame, (5, 5), 0) # 2. 灰度化 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 3. 自适应二值化（抗光线干扰） binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, 3 ) # 4. 形态学处理：去杂点 + 补孔洞 kernel = np.ones((3, 3), np.uint8) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 去碎点 binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 补空洞 # 5. 单通道转三通道 input_img = cv2.cvtColor(binary, cv2.COLOR_GRAY2BGR) # 6. YOLO推理 results = model.predict(input_img, imgsz=1280, conf=0.2, iou=0.4) # 7. 绘制保存 for res in results: out_img = res.plot() cv2.imwrite("final_warn_result.jpg", out_img) cv2.imshow("Final Detect", out_img) cv2.waitKey(0) cv2.destroyAllWindows()

九、本篇总结

形态学操作是传统CV最后的收尾大招：

降噪负责“干净画面”、二值化负责“黑白分割”、形态学负责修整轮廓结构。

学完本篇，你已经拥有一套完整工业级图像净化流水线，可以极大提升 YOLO 在复杂厂区、逆光、暗光、杂背景、多干扰场景的稳定性。

十、下篇预告

下一篇：OpenCV轮廓检测、面积筛选、外接矩形

进入高级业务层：自动过滤小干扰轮廓、判断人体区域大小、筛选有效目标，实现纯CV初步违规判断，不依赖AI也能做简单检测！