目录
4. 形态学重构（Morphological Reconstruction）
四、基于数学形态学的保留边缘图像去噪的Python代码完整实现
1. 噪声生成模块（generate_noisy_image）
2. 形态学去噪核心流水线（morphological_denoising_pipeline）
一、引言
在【计算机视觉】形态学的去噪-CSDN博客中，评论区中有人问道：“如何利用数学形态学进行高效的图像去噪处理，并且在去噪过程中如何保持图像的边缘和细节信息？”确实，在传统的形态学去噪中存在“过度平滑导致边缘模糊” 的问题，因此，本文将会深入讲解基于数学形态学的保留边缘图像去噪的原理和Python代码完整实现。
本文用到的图片：
二、数学形态学去噪的基础：开运算与闭运算
数学形态学的基本操作（腐蚀、膨胀）是去噪的基础，其中开运算和闭运算是最常用的去噪工具：
- 开运算（Opening）：先腐蚀后膨胀，可去除图像中小于结构元素的亮噪声（如亮背景上的暗点噪声），同时基本保持较大目标的形状。
- 闭运算（Closing）：先膨胀后腐蚀，可去除图像中小于结构元素的暗噪声（如暗背景上的亮点噪声），同样对大目标影响较小。
对于含椒盐噪声的图像，开运算可去除 “盐噪声”（亮点），闭运算可去除 “椒噪声”（暗点）。
三、保边缘去噪的关键策略
单纯的开 / 闭运算可能模糊边缘，需通过以下优化策略平衡去噪与保边：
1. 自适应结构元素（SE）设计
结构元素的大小和形状直接影响去噪效果和边缘保留能力：
- 大小选择：结构元素需略大于噪声尺寸（如噪声为 3x3 像素，SE 选 5x5），但不宜过大（否则会模糊边缘）。
- 形状选择：根据图像边缘方向动态调整 SE 形状（如对线状边缘用线形 SE，对圆形边缘用圆形 SE），减少对边缘的侵蚀。
- 多尺度 SE：结合不同大小的 SE（如 3x3、5x5），小 SE 保留细节，大 SE 去除大噪声，最后融合结果。
对于含细微纹理的图像，用小尺寸圆形 SE 进行开运算，既能去除小噪声，又能保留纹理细节。
2. 基于边缘检测的选择性形态学操作
先通过形态学梯度（如膨胀 - 腐蚀）检测边缘，在边缘区域 “弱化” 或 “跳过” 形态学操作，仅在平滑区域强化去噪：
- 步骤：
- 计算图像的形态学梯度（
gradient = dilate(img) - erode(img)），标记边缘区域。 - 对非边缘区域应用开 / 闭运算去噪。
- 对边缘区域保留原始像素或仅用小 SE 轻量处理，避免边缘模糊。
- 计算图像的形态学梯度（
优势：精准区分噪声与边缘，针对性处理。
3. 形态学滤波的组合策略
通过开 / 闭运算的组合（如 “开 - 闭” 或 “闭 - 开”），同时去除亮、暗噪声，并减少边缘损失：
- 顶帽变换（Top-hat）：
tophat = img - opening(img)，可提取被亮噪声掩盖的暗细节（如纹理）。 - 底帽变换（Bottom-hat）：
bottomhat = closing(img) - img，可提取被暗噪声掩盖的亮细节。 - 组合应用：对去噪后的图像叠加顶帽 / 底帽结果，恢复被形态学操作模糊的细节。
对于低对比度图像，先用闭运算去除暗噪声，再用顶帽变换恢复丢失的亮细节。
4. 形态学重构（Morphological Reconstruction）
一种更精细的去噪方法，通过 “标记图像” 和 “模板图像” 的迭代运算，在去噪的同时严格保留边缘：
- 步骤：
- 以原始图像为 “模板”，以腐蚀后的图像为 “标记”（标记图像包含噪声但边缘被保留）。
- 迭代执行膨胀操作，直到标记图像不再变化（被模板图像约束，不会越过边缘）。
- 优势：相比传统开 / 闭运算，重构能更精确地保留边缘轮廓，尤其适合复杂纹理图像。
四、基于数学形态学的保留边缘图像去噪的Python代码完整实现
import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage.metrics import peak_signal_noise_ratio as psnr
from skimage.metrics import structural_similarity as ssim
# 设置中文显示
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
def generate_noisy_image(clean_img, salt_ratio=0.01, pepper_ratio=0.01):
"""生成含椒盐噪声的图像，模拟真实噪声干扰"""
noisy_img = clean_img.copy()
total_pixels = clean_img.size
# 添加盐噪声（亮点）
salt_pixels = int(total_pixels * salt_ratio)
coords = [np.random.randint(0, i, salt_pixels) for i in clean_img.shape]
noisy_img[coords[0], coords[1]] = 255
# 添加椒噪声（暗点）
pepper_pixels = int(total_pixels * pepper_ratio)
coords = [np.random.randint(0, i, pepper_pixels) for i in clean_img.shape]
noisy_img[coords[0], coords[1]] = 0
return noisy_img, coords[0], coords[1] # 返回噪声坐标用于可视化
def morphological_denoising_pipeline(noisy_img):
"""数学形态学去噪流水线"""
# 1. 定义自适应结构元素
se_small = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
se_large = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
# 2. 基础去噪
opening = cv2.morphologyEx(noisy_img, cv2.MORPH_OPEN, se_large)
basic_denoised = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, se_large)
# 3. 形态学重构
marker = cv2.erode(basic_denoised, se_small)
template = basic_denoised.copy()
while True:
prev_marker = marker
marker = cv2.dilate(marker, se_small)
marker = np.minimum(marker, template)
if np.array_equal(marker, prev_marker):
break
reconstructed = marker
# 4. 细节增强
tophat = cv2.morphologyEx(noisy_img, cv2.MORPH_TOPHAT, se_small)
bottomhat = cv2.morphologyEx(noisy_img, cv2.MORPH_BLACKHAT, se_small)
enhanced = reconstructed + tophat - bottomhat
enhanced = np.clip(enhanced, 0, 255).astype(np.uint8)
return {
"noisy": noisy_img,
"basic_denoised": basic_denoised,
"reconstructed": reconstructed,
"enhanced": enhanced,
"se_small": se_small,
"se_large": se_large,
"tophat": tophat,
"bottomhat": bottomhat
}
def calculate_metrics(original, processed):
"""计算去噪效果定量指标"""
# PSNR（峰值信噪比，越高越好）
psnr_val = psnr(original, processed, data_range=255)
# SSIM（结构相似性，越接近1越好）
ssim_val = ssim(original, processed, data_range=255)
return {"psnr": psnr_val, "ssim": ssim_val}
def visualize_noise_removal(noisy_img, enhanced_img, salt_coords, pepper_coords):
"""可视化噪声去除情况（标记未去除的噪声）"""
# 标记残留的盐噪声
salt_residual = np.zeros_like(noisy_img)
salt_residual[salt_coords[0], salt_coords[1]] = 255 * (enhanced_img[salt_coords[0], salt_coords[1]] == 255)
# 标记残留的椒噪声
pepper_residual = np.zeros_like(noisy_img)
pepper_residual[pepper_coords[0], pepper_coords[1]] = 255 * (enhanced_img[pepper_coords[0], pepper_coords[1]] == 0)
return salt_residual, pepper_residual
def visualize_local_details(original, noisy, enhanced, roi=(200, 250, 100, 150)):
"""提取局部区域（如眼睛、纹理）进行放大对比"""
x, y, w, h = roi # 感兴趣区域：(x,y)为左上角，w/h为宽高
original_roi = original[x:x + w, y:y + h]
noisy_roi = noisy[x:x + w, y:y + h]
enhanced_roi = enhanced[x:x + w, y:y + h]
return original_roi, noisy_roi, enhanced_roi
def visualize_results(original, results, salt_coords, pepper_coords):
"""可视化：多维度展示去噪效果"""
# 计算定量指标
metrics = {
"noisy": calculate_metrics(original, results["noisy"]),
"basic": calculate_metrics(original, results["basic_denoised"]),
"recon": calculate_metrics(original, results["reconstructed"]),
"enhanced": calculate_metrics(original, results["enhanced"])
}
# 噪声残留可视化
salt_residual, pepper_residual = visualize_noise_removal(
results["noisy"], results["enhanced"], salt_coords, pepper_coords
)
# 局部细节放大（以Lena图像的眼睛区域为例）
roi = (200, 250, 100, 150) # 可根据实际图像调整
orig_roi, noisy_roi, enh_roi = visualize_local_details(
original, results["noisy"], results["enhanced"], roi
)
# 边缘梯度对比
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
orig_grad = cv2.morphologyEx(original, cv2.MORPH_GRADIENT, se)
enh_grad = cv2.morphologyEx(results["enhanced"], cv2.MORPH_GRADIENT, se)
# 创建子图（3行4列布局）
fig, axes = plt.subplots(3, 4, figsize=(20, 15))
axes = axes.flatten()
# 1. 原始图像
axes[0].imshow(original, cmap="gray")
axes[0].set_title("原始图像")
axes[0].axis("off")
# 2. 含噪声图像（带指标）
axes[1].imshow(results["noisy"], cmap="gray")
axes[1].set_title(
f"含椒盐噪声图像\nPSNR: {metrics['noisy']['psnr']:.2f}\nSSIM: {metrics['noisy']['ssim']:.4f}"
)
axes[1].axis("off")
# 3. 基础去噪结果（带指标）
axes[2].imshow(results["basic_denoised"], cmap="gray")
axes[2].set_title(
f"基础开闭运算去噪\nPSNR: {metrics['basic']['psnr']:.2f}\nSSIM: {metrics['basic']['ssim']:.4f}"
)
axes[2].axis("off")
# 4. 形态学重构结果（带指标）
axes[3].imshow(results["reconstructed"], cmap="gray")
axes[3].set_title(
f"形态学重构\nPSNR: {metrics['recon']['psnr']:.2f}\nSSIM: {metrics['recon']['ssim']:.4f}"
)
axes[3].axis("off")
# 5. 最终增强结果（带指标）
axes[4].imshow(results["enhanced"], cmap="gray")
axes[4].set_title(
f"最终去噪+细节增强\nPSNR: {metrics['enhanced']['psnr']:.2f}\nSSIM: {metrics['enhanced']['ssim']:.4f}"
)
axes[4].axis("off")
# 6. 残留盐噪声（红色标记）
axes[5].imshow(results["enhanced"], cmap="gray")
axes[5].imshow(salt_residual, cmap="Reds", alpha=0.5) # 叠加红色残留噪声
axes[5].set_title("残留盐噪声（红色）")
axes[5].axis("off")
# 7. 残留椒噪声（蓝色标记）
axes[6].imshow(results["enhanced"], cmap="gray")
axes[6].imshow(pepper_residual, cmap="Blues", alpha=0.5) # 叠加蓝色残留噪声
axes[6].set_title("残留椒噪声（蓝色）")
axes[6].axis("off")
# 8. 结构元素可视化
axes[7].imshow(results["se_small"], cmap="binary")
axes[7].set_title("小结构元素 (3x3)")
axes[7].axis("off")
axes[8].imshow(results["se_large"], cmap="binary")
axes[8].set_title("大结构元素 (5x5)")
axes[8].axis("off")
# 9-11. 局部细节放大对比
axes[9].imshow(orig_roi, cmap="gray")
axes[9].set_title("原始局部细节")
axes[9].axis("off")
axes[10].imshow(noisy_roi, cmap="gray")
axes[10].set_title("含噪声局部细节")
axes[10].axis("off")
axes[11].imshow(enh_roi, cmap="gray")
axes[11].set_title("去噪后局部细节")
axes[11].axis("off")
plt.tight_layout()
plt.savefig('Implementation of Edge-Preserving Image Denoising Based on Mathematical Morphology.png')
plt.show()
if __name__ == "__main__":
# 读取图像并转为灰度图
img = cv2.imread("lena.png")
original_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 生成含噪声图像（同时获取噪声坐标）
noisy_img, salt_coords, pepper_coords = generate_noisy_image(
original_gray, salt_ratio=0.02, pepper_ratio=0.02
)
# 执行形态学去噪流程
denoise_results = morphological_denoising_pipeline(noisy_img)
# 可视化
visualize_results(original_gray, denoise_results, salt_coords, pepper_coords)
五、Python代码完整解释
（一）核心设计思想
该代码通过 **“分阶段处理 + 多维度验证”的策略，实现 “噪声去除” 与 “边缘保留” 的平衡。核心逻辑基于数学形态学的基本操作（腐蚀、膨胀、开 / 闭运算），并通过形态学重构和细节增强 ** 技术，解决传统形态学去噪中 “过度平滑导致边缘模糊” 的问题。整体流程遵循 “先去噪、再保边、最后恢复细节” 的思路，同时通过定量指标和可视化对比验证效果。
（二）模块功能与实现细节
1. 噪声生成模块（generate_noisy_image）
- 作用：模拟真实图像中的椒盐噪声（图像中随机出现的亮噪声 “盐点” 和暗噪声 “椒点”），为去噪算法提供测试数据。
- 实现逻辑：
- 计算图像总像素数，根据设定的噪声比例（
salt_ratio和pepper_ratio）确定噪声像素数量。 - 通过随机坐标生成器，在图像中随机位置添加 255（盐噪声，亮点）和 0（椒噪声，暗点）。
- 返回含噪声图像及噪声坐标（用于后续噪声残留分析）。
- 计算图像总像素数，根据设定的噪声比例（
- 意义：标准化噪声输入，确保去噪效果可量化对比。
2. 形态学去噪核心流水线（morphological_denoising_pipeline）
这是算法的核心模块，包含 4 个关键步骤，逐步实现 “去噪 - 保边 - 增强” 的目标：
（1）自适应结构元素（SE）设计
se_small = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # 小结构元素
se_large = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 大结构元素
- 结构元素：形态学操作的 “工具”，其形状和大小直接影响去噪效果和边缘保留能力。
- 设计逻辑：
- 选择椭圆形状（
MORPH_ELLIPSE）：相比矩形，椭圆对边缘的各向异性影响更小，能更好保留曲线边缘（如人脸轮廓）。 - 双尺寸设计：
- 小 SE（3x3）：用于精细操作（形态学重构、细节提取），减少对边缘和纹理的破坏。
- 大 SE（5x5）：用于基础去噪，可去除尺寸较大的噪声（大于小 SE 的噪声）。
- 选择椭圆形状（
- 意义：通过结构元素的 “尺寸适配”，平衡 “去噪强度” 和 “细节保留”。
（2）基础去噪：开运算 + 闭运算
opening = cv2.morphologyEx(noisy_img, cv2.MORPH_OPEN, se_large) # 去盐噪声
basic_denoised = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, se_large) # 去椒噪声
- 开运算（MORPH_OPEN）：先腐蚀后膨胀，可去除小于结构元素的亮噪声（盐点），同时对较大目标的形状影响较小。
- 闭运算（MORPH_CLOSE）：先膨胀后腐蚀，可去除小于结构元素的暗噪声（椒点），同样不破坏大目标的边缘。
- 执行顺序：先开运算去亮噪声，再闭运算去暗噪声，初步净化图像。
- 局限性：单纯的开 / 闭运算会轻微模糊边缘（尤其是小尺度边缘，如发丝、纹理），因此需要后续保边处理。
（3）边缘保护：形态学重构
marker = cv2.erode(basic_denoised, se_small) # 标记图像（腐蚀后缩小的区域）
template = basic_denoised.copy() # 模板图像（基础去噪结果）
while True:
prev_marker = marker
marker = cv2.dilate(marker, se_small) # 迭代膨胀标记
marker = np.minimum(marker, template) # 受模板约束，不超过原始范围
if np.array_equal(marker, prev_marker): # 收敛条件
break
reconstructed = marker
- 核心原理：通过 “标记图像” 和 “模板图像” 的迭代运算，在去除残留噪声的同时，严格保留边缘轮廓。
- 步骤解析：
- 标记图像（marker）：对基础去噪结果进行腐蚀，得到 “内缩的目标区域”（边缘向内收缩，噪声被进一步去除）。
- 模板图像（template）：以基础去噪结果为上限，限制标记图像的膨胀范围。
- 迭代膨胀：标记图像不断膨胀，但始终被模板图像约束（
np.minimum操作），确保膨胀不会越过原始边缘（模板图像的边缘）。 - 收敛条件：当标记图像不再变化时，得到重构结果 —— 此时噪声被去除，边缘与模板图像一致（保边效果）。
- 优势：相比传统开 / 闭运算，重构能更精确地保留边缘，避免 “过度平滑”。
（4）细节增强：顶帽 + 底帽变换
tophat = cv2.morphologyEx(noisy_img, cv2.MORPH_TOPHAT, se_small) # 提取亮细节
bottomhat = cv2.morphologyEx(noisy_img, cv2.MORPH_BLACKHAT, se_small) # 提取暗细节
enhanced = reconstructed + tophat - bottomhat # 融合细节
- 顶帽变换（TOPHAT）：
原图 - 开运算结果，可提取被亮噪声掩盖的暗细节（如纹理、小尺度边缘）。 - 底帽变换（BLACKHAT）：
闭运算结果 - 原图，可提取被暗噪声掩盖的亮细节。 - 融合逻辑：将顶帽 / 底帽提取的细节叠加回重构结果，恢复形态学操作中可能丢失的细微结构（如皮肤纹理、发丝）。
- 意义：解决 “去噪导致细节丢失” 的问题，提升图像的视觉质量。
3. 定量指标计算（calculate_metrics）
psnr_val = psnr(original, processed, data_range=255) # 峰值信噪比
ssim_val = ssim(original, processed, data_range=255) # 结构相似性
- PSNR（峰值信噪比）：衡量去噪后图像与原图的像素差异，值越高（通常 > 30dB）表示去噪效果越好。
- SSIM（结构相似性）：衡量图像结构（包括边缘、纹理）的保留程度，越接近 1 表示结构保留越好。
- 作用：从数值角度客观验证算法的 “去噪能力” 和 “保边效果”，避免仅依赖主观视觉判断。
4. 可视化模块（visualize_results）
通过多维度可视化，直观展示算法的有效性，包含以下关键对比：
| 可视化内容 | 作用说明 |
|---|---|
| 原始图像 vs 含噪声图像 | 展示噪声对图像的破坏程度，明确去噪任务的必要性。 |
| 各阶段去噪结果对比 | 展示 “基础去噪→重构→增强” 的效果提升，突出重构的保边作用。 |
| 定量指标（PSNR/SSIM） | 用数值证明增强结果在 “去噪” 和 “结构保留” 上的优势。 |
| 噪声残留标记（红 / 蓝色） | 标记未去除的盐 / 椒噪声，验证算法对噪声的去除彻底性。 |
| 结构元素可视化 | 展示 3x3 和 5x5 椭圆 SE 的形状，解释 “小 SE 保细节、大 SE 去噪” 的设计逻辑。 |
| 局部细节放大（如眼睛区域） | 聚焦高细节区域（如眼睑边缘、睫毛），直观展示边缘和纹理的保留效果。 |
| 边缘梯度对比 | 通过形态学梯度（膨胀 - 腐蚀）展示去噪后边缘与原始边缘的一致性。 |
（三）算法整体流程总结
- 输入准备：读取原始图像，生成含椒盐噪声的测试图像。
- 基础净化：用大 SE 的开 / 闭运算去除大部分盐 / 椒噪声。
- 边缘保护：通过形态学重构，在基础去噪结果上恢复边缘的清晰度。
- 细节增强：用顶帽 / 底帽变换提取并叠加丢失的细节，优化视觉效果。
- 效果验证：通过定量指标（PSNR/SSIM）和多维度可视化，证明去噪同时保边的效果。
六、总结
本文提出了一种基于数学形态学的图像去噪方法，重点解决传统去噪中边缘模糊的问题。通过自适应结构元素设计、形态学重构和细节增强技术，实现了噪声去除与边缘保留的平衡。算法流程包括：基础开闭运算去噪、形态学重构保护边缘、顶帽底帽变换恢复细节。实验通过PSNR/SSIM指标和多维度可视化验证了方法的有效性，在去除椒盐噪声的同时较好地保持了图像细节和边缘结构。Python代码实现展示了完整的处理流程，包括噪声生成、分阶段去噪、定量评估和结果可视化。
扫一扫
559
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
