### 三、形态学重建实现图像孔洞填充的原理 形态学重建是一种基于两幅图像和结构元素的图像处理技术，常用于图像增强、分割以及空洞填充等任务。在孔洞填充中，该方法以原图像的补集作为 Mask，用于限制后续膨胀操作的范围；初始 Marker 图像是一个与原图大小相同的黑色图像，其边缘设置为前景（白色），用于作为膨胀操作的起点。通过不断对 Marker 进行膨胀，同时受限于 Mask 的边界，直到 Marker 不再发生变化，最终对 Marker 取补集即可获得填充了空洞的图像[^3]。 这种方法相比传统形态学操作（如开运算、闭运算）更具鲁棒性，能够有效填充被前景包围的背景区域，而不影响图像的整体结构。 ### 三、Python 实现形态学重建孔洞填充的代码 以下是一个基于 NumPy 和 SciPy 的实现示例： ```python import numpy as np from scipy import ndimage as ndi def fill_holes_by_morphology_reconstruction(binary_image): # 确保输入为二值图像（0 或 255） binary_image = (binary_image > 127).astype(np.uint8) * 255 h, w = binary_image.shape # 创建 Mask：原图像的补集 mask = ~binary_image.astype(bool) # 创建 Marker：一个黑色图像，中间区域设为前景 marker = np.zeros_like(binary_image, dtype=bool) marker[1:-1, 1:-1] = True # 中间区域初始化为 True # 形态学重建：连续膨胀操作，受限于 mask filled_marker = ndi.binary_propagation(marker, mask=mask, structure=np.ones((3, 3))) # 取补集得到填充后的图像 filled_image = (~filled_marker).astype(np.uint8) * 255 return filled_image ``` 在该实现中，`ndi.binary_propagation` 函数执行形态学重建中的膨胀传播操作，确保 Marker 中的前景像素在 Mask 允许的范围内不断扩展，直到无法继续增长为止。最终通过取补操作，将填充区域恢复为前景，从而完成空洞填充任务。 ### 三、代码说明与注意事项 - 输入图像应为二值图像（仅包含 0 和 255），若输入为灰度图像，需先进行阈值处理。 - `mask` 是原图像的补集，用于限制 Marker 的膨胀范围，防止前景区域被误填充。 - `marker` 初始化时，边缘为背景（0），内部为前景（1），确保膨胀操作从图像内部向外扩展。 - 使用 `binary_propagation` 时，结构元素（`structure`）通常为 3x3 的全 1 矩阵，表示 8 连通邻域的膨胀方式。 ###