什么是形态学操作
在图像处理中，形态学操作是一类基于形状的处理方法，主要用于二值图像。它们通过定义一个结构元素（也叫核）在图像上滑动，根据像素邻域的分布情况来改变当前像素的值。这类操作常用于去除噪声、填充空洞、分离物体或连接断裂区域。
常见的基本操作
最基础的形态学操作有两个：腐蚀和膨胀。其他操作大多由它们组合而来。
腐蚀（Erosion）
腐蚀会让图像中的白色区域（前景）“收缩”。它会检查结构元素覆盖的范围内是否全是白色，只有全部是白，中心点才保留为白，否则变黑。这个特性适合用来去除小的噪点，比如扫描文档上的小斑点。
膨胀（Dilation）
膨胀则相反，它会让白色区域“扩张”。只要结构元素范围内有一个像素是白的，中心点就变成白。这在修复文字断裂或者让靠近的物体连成一片时特别有用。
组合操作更实用
单独使用腐蚀或膨胀作用有限，但把它们组合起来就能解决更复杂的问题。
开运算（Opening）
先腐蚀再膨胀。能有效去掉细小的噪点，同时保持大块区域的形状基本不变。比如清理身份证照片上的灰尘点，又不破坏文字边缘。
闭运算（Closing）
先膨胀再腐蚀。适合填补物体内部的小孔，或者连接距离很近的两个部分。像是修复OCR识别前的文字断笔，提升识别率。
实际代码示例
用OpenCV实现一次开运算，可以这样写：
import cv2
import numpy as np
# 读取图像并转为二值图
img = cv2.imread('text.png', 0)
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 定义结构元素（3x3矩形）
kernal = np.ones((3,3), np.uint8)
# 开运算
opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernal)
# 保存结果
cv2.imwrite('result.png', opened)高级形态学技巧
除了基本操作，还有梯度、顶帽、黑帽等扩展操作。形态学梯度就是膨胀减去腐蚀，能突出物体的轮廓，在车牌边缘检测中经常用到。
结构元素的形状也很关键。默认是矩形，但有时用圆形或十字形效果更好。比如想保留细长线条，十字形结构元素能避免过度腐蚀。
应用场景举个例
超市里扫商品条形码，摄像头拍下来的图像可能模糊或有污渍。预处理阶段用闭运算把断裂的条纹连上，再传给解码程序，成功率明显提高。这背后就是形态学在默默干活。
医学影像中，肺部CT切片里的小结节提取，也会先用开运算去掉血管干扰，再做进一步分析。这些都不是简单滤波能做到的。