OpenCV 中的形态学梯度

形态学梯度是图像形态学处理中的一种基本操作，定义为：

形态学梯度 = 膨胀(dilate) - 腐蚀(erode)

它的主要作用是突出图像中物体的边缘（即灰度变化剧烈的区域）。膨胀会扩大高亮区域，腐蚀会缩小高亮区域，两者相减后得到的就是物体边界附近的“梯度”信息。

OpenCV 实现

OpenCV 提供了 cv2.morphologyEx() 函数，使用 cv2.MORPH_GRADIENT 标志即可计算形态学梯度。

import cv2
import numpy as np

# 读取图像（最好用灰度图）
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 定义结构元素（核），常用矩形、椭圆、十字形
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 计算形态学梯度
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Morphological Gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数说明

kernel：结构元素大小和形状。核越大，提取的边缘越粗。

cv2.MORPH_RECT：矩形核

cv2.MORPH_ELLIPSE：椭圆核

cv2.MORPH_CROSS：十字形核

你还可以使用 cv2.dilate() 和 cv2.erode() 手动计算：

dilated = cv2.dilate(img, kernel)
eroded = cv2.erode(img, kernel)
gradient = cv2.subtract(dilated, eroded)   # 或 dilated - eroded

形态学梯度的类型（扩展知识）

典型应用

边缘检测：比普通 Sobel 等算子对噪声不敏感，能获得封闭、连续的边缘。

字符/文字提取：从背景中分离字符的轮廓。

目标分割预处理：强化目标边界，便于后续轮廓查找。

车牌检测：突出车牌字符与底色之间的边界。

效果对比（示意）

原图：一个白色矩形在黑色背景上

形态学梯度结果：矩形的边框轮廓（白色线条）

小技巧

对于二值图像，形态学梯度能直接得到物体的边界。

对于灰度图像，梯度结果能反映出各区域的灰度变化强度。

若边缘过粗，可以减小核大小（如 (3,3)）。

若边缘不连续，可以增大核或先进行闭运算（MORPH_CLOSE）填充空洞。

常见问题

Q：形态学梯度与 Canny 边缘检测有什么区别？
A：Canny 基于导数，能得到单像素精细边缘；形态学梯度基于集合运算，边缘较粗但更具抗噪性，且不依赖梯度阈值。

Q：结果图像看起来是灰蒙蒙的，怎么调整？
A：形态学梯度结果中，边缘区域的像素值较高（接近白色），平坦区域接近黑色。可以 cv2.normalize() 或使用 cv2.convertScaleAbs() 增强对比度。