用于 OCR 的图像二值化

Question

我想将扫描的图像转换为黑白图像，目标是在图像通过互联网传输以进行 OCR 之前减小文件大小。

扫描仪/通用图像编辑软件创建的正常二值化/黑白图像会产生不良结果。

留下大量随机黑色像素，它们实际上只是二值化产生的噪声，这导致 OCR 尝试识别没有字符的字符，或在字符后插入句号、冒号等。

我可以在 OpenCV 中使用什么来对图像进行二值化，保持线条、字符和暗区为实心，并减少白色区域中的像素噪点？

我玩过 cvThreshold 和 cvAdaptiveThreshold，但结果还不是很好。

例如，查看original image 和desired result。

Answer 1

你可以试试这个，但是你仍然需要调整一些参数。

#define ALPHA_SCALE 2
#define THRESHOLD_VAL 40
#define MAX_VAL_FOR_THRESHOLD 250
#define PIXEL_MISMATCH_COUNT 10 //9, 7
Mat current_frame_t2;        

     IplImage *img = cvLoadImage("Original.tiff", CV_LOAD_IMAGE_UNCHANGED );
     cvNamedWindow("My_Win", CV_WINDOW_AUTOSIZE);
    // namedWindow("My_Win", 1);
     cvShowImage("My_Win", img);
      cvWaitKey(10);
     Mat current_frame_t1(img);
     cvtColor(current_frame_t1, current_frame_t2, CV_RGB2GRAY);
    current_frame_t1.release();
    imshow("My_Win", current_frame_t2);
     cvWaitKey(10);
     equalizeHist(current_frame_t2, current_frame_t1);
    current_frame_t2.release();
    convertScaleAbs(current_frame_t1, current_frame_t2,ALPHA_SCALE);

    threshold(current_frame_t2, current_frame_t1, THRESHOLD_VAL, MAX_VAL_FOR_THRESHOLD, CV_THRESH_BINARY);
    medianBlur(current_frame_t1,current_frame_t2,1); 
    imshow("My_Win", current_frame_t2);
    imwrite("outimg.tiff", current_frame_t2),
    cvWaitKey(0);

Answer 2

您可以使用connected-components labeling 算法并删除未填充图像中合理数量像素的组件。

在 OpenCV 中实现它的一种非常简单的方法是使用轮廓：

1. Do the preliminary bizariztion of the OCR, that will give you a very noise output. 
2. Find all contours on that noise image.
3. For each found contour:
  3.1. Fill the contour with a color different of the two options in the binarized image.
  3.2. Count the ammount of pixels filled with that color.
  3.3. If the ammount of pixels are smaller than a given treshold, fill the contour with the void collor of the binary image.

供参考：cv::findContours 和 cv::drawContours。

可以在 3.1 上优化对多个轮廓进行分类的循环。并在 3.2 中对所有这些颜色进行一次像素计数。 .我没有回答优化版本，因为您可能有超过 253 个不同的组（255 种颜色 - 二进制图像的 2 种默认颜色），并且考虑到这一点并不是那么简单。