计算机视觉 / 系统课时
清理运动掩膜
清理运动掩膜
运动检测得到的前景掩膜常同时包含孤立白点、主体内部黑洞和边缘毛刺。本课把灰度运动响应先阈值化,再用开运算去噪、闭运算补洞,并用像素数与连通区域数量检查是否把真实目标一起“洗掉”。
学习目标
- 用固定阈值把灰度运动响应转换为二值前景掩膜。
- 根据噪点和空洞尺寸选择开运算、闭运算的核大小与迭代次数。
- 用前景像素数和连通区域数量验证清理结果是否合理。
先把运动响应变成二值掩膜
假设差分图是 8 位灰度图,像素越亮表示变化越明显,可以先从阈值 40 试起:大于 40 的像素置为 255,其余置为 0。室内固定机位常可在 25~60 之间试调;阈值过低会把传感器噪声当成运动,过高则会吃掉低对比度目标。
cv2.threshold(diff, 40, 255, cv2.THRESH_BINARY) 的输出应只包含 0 和 255。若光照频繁变化,不要单纯继续降低阈值,应先处理背景模型或亮度变化,否则整幅画面都可能被判成前景。
用开运算去噪、闭运算补洞
开运算是“先腐蚀、后膨胀”,适合移除小于结构元素的孤立前景;闭运算是“先膨胀、后腐蚀”,适合填补小黑洞和窄缝。下面用 3×3 椭圆核去除单像素噪点,再用 5×5 椭圆核填补 3×3 空洞。

import cv2
import numpy as np
# 构造可复现的灰度运动响应:一个主体、一个 3x3 黑洞和 5 个亮噪点。
diff = np.zeros((120, 160), dtype=np.uint8)
cv2.rectangle(diff, (30, 25), (110, 90), 180, -1)
cv2.rectangle(diff, (58, 48), (60, 50), 0, -1)
for x, y in [(10, 10), (15, 90), (120, 20), (130, 100), (100, 110)]:
diff[y, x] = 220
_, mask = cv2.threshold(diff, 40, 255, cv2.THRESH_BINARY)
open_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
close_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
opened = cv2.morphologyEx(mask, cv2.MORPH_OPEN, open_kernel, iterations=1)
clean = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, close_kernel, iterations=1)
def component_count(binary):
count, _, _, _ = cv2.connectedComponentsWithStats(binary, connectivity=8)
return count - 1 # 去掉背景标签
print("threshold foreground:", np.count_nonzero(mask))
print("after open:", np.count_nonzero(opened))
print("after close:", np.count_nonzero(clean))
print("components before:", component_count(mask))
print("components after:", component_count(clean))预期输出:
threshold foreground: 5342
after open: 5333
after close: 5342
components before: 6
components after: 1这里“前景像素最后又回到 5342”只是这个合成样例的结果,不是清理质量标准。更重要的是 5 个孤立噪点被去掉、3×3 空洞被补上,而且主体仍保持为一个连通区域。
依据目标尺寸选择结构元素
结构元素应明显小于真实目标的最窄尺寸。若运动目标最窄约 20 像素,优先从 3×3 或 5×5 开始;直接使用 11×11 很可能把手指、车轮边缘等细结构抹掉。迭代次数也会放大效果,iterations=2 并不等于“更干净”,而是等价于更强的形态改变。
| 现象 | 建议起点 | 主要风险 |
|---|---|---|
| 1~2 像素孤立白点 | 3×3 开运算,1 次 | 核过大会侵蚀细目标 |
| 2~4 像素黑洞或窄缝 | 5×5 闭运算,1 次 | 可能把相邻目标粘连 |
| 边缘持续抖动 | 先检查阈值与背景模型 | 仅加大核会让轮廓失真 |
检查是否清理过度
不要只看画面“更干净”就结束。对同一段视频记录清理前后的目标轮廓面积:如果主要目标面积连续缩小超过约 10%,或两个原本分离的目标经闭运算后合成一个轮廓,应减小核或迭代次数。相反,如果大量 1~5 像素连通区域仍存在,先把开运算从 3×3 调到 5×5,而不是盲目提高阈值。
在真实运动检测流水线中,推荐顺序是“运动响应 → 二值阈值 → 开运算 → 闭运算 → 轮廓或连通区域分析”。这样后续面积筛选面对的是更稳定的前景,而不是被噪点和孔洞打碎的掩膜。