实用指南：【计算机视觉】基于数学形态学的保留边缘图像去噪

目录

一、引言

二、数学形态学去噪的基础：开运算与闭运算

三、保边缘去噪的关键策略

1. 自适应结构元素（SE）设计

2. 基于边缘检测的选择性形态学操作

3. 形态学滤波的组合策略

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

​编辑

五、Python代码完整解释

（一）核心设计思想

（二）模块功能与实现细节

1. 噪声生成模块（generate_noisy_image）

2. 形态学去噪核心流水线（morphological_denoising_pipeline）

（1）自适应结构元素（SE）设计

（2）基础去噪：开运算 + 闭运算

（3）边缘保护：形态学重构

（4）细节增强：顶帽 + 底帽变换

3. 定量指标计算（calculate_metrics）

4. 可视化模块（visualize_results）

（三）算法整体流程总结

六、总结

---

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：
  1. 计算图像的形态学梯度（gradient = dilate(img) - erode(img)），标记边缘区域。
  2. 对非边缘区域应用开 / 闭运算去噪。
  3. 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。

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：
  1. 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）。
  2. 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]] = 0return 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 = markermarker = cv2.dilate(marker, se_small)marker = np.minimum(marker, template)if np.array_equal(marker, prev_marker):breakreconstructed = 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 - bottomhatenhanced = 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）。
• 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）。
• 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 = markermarker = 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

1. 输入准备：读取原始图像，生成含椒盐噪声的测试图像。
2. 基础净化：用大 SE 的开 / 闭运算去除大部分盐 / 椒噪声。
3. 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。
4. 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。
5. 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。