我这里有一张带表格的图片。在右侧的列中，背景充满了噪点
如何检测有噪声的区域？我只想对有噪声的部分应用某种过滤器，因为我需要对其进行 OCR，任何类型的过滤器都会降低整体识别率
而什么样的滤镜最适合去除图像中的背景噪音？
如前所述，我需要对图像进行 OCR
【问题讨论】：
标签： c++ opencv image-processing noise-reduction
据我所知，中值滤波器是降低噪音的最佳解决方案。我建议使用具有 3x3 窗口的中值滤波器。见函数cv::medianBlur()。
但在同时使用任何噪声过滤和 OCR 时要小心。会导致识别准确率下降。
我还建议尝试使用一对函数（cv::erode() 和 cv::dilate()）。但我不确定它会是最好的解决方案，然后是 cv::medianBlur() 与窗口 3x3。
【讨论】：
我会选择中值模糊（可能是 5*5 内核）。
如果您打算对图像应用 OCR。我会建议你以下几点：
更快的解决方案：
【讨论】：
尝试像这样对图像进行阈值处理。确保您的 src 处于灰度状态。此方法将仅保留强度在 150 到 255 之间的像素。
threshold(src, output, 150, 255, CV_THRESH_BINARY | CV_THRESH_OTSU);
您可能希望在尝试否定灰色像素时反转图像。操作后，再次反转即可得到您想要的结果。
【讨论】：
我在 OpenCV 中尝试了一些过滤器/操作，似乎效果很好。
第 1 步：放大图像 -
kernel = np.ones((5, 5), np.uint8)
cv2.dilate(img, kernel, iterations = 1)
如你所见，噪点消失了，但字符很轻，所以我侵蚀了图像。
第 2 步：腐蚀图像 -
kernel = np.ones((5, 5), np.uint8)
cv2.erode(img, kernel, iterations = 1)
如您所见，噪音消失了，但其他列上的一些字符已损坏。我建议仅在嘈杂的列上运行这些操作。您可能想使用HoughLines 来查找最后一列。然后您可以只提取该列，运行膨胀+腐蚀并将其替换为原始图像中的相应列。 此外，膨胀+腐蚀实际上是一种称为关闭的操作。这你可以直接调用 -
cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
正如@Ermlg 建议的那样，内核为 3 的 medianBlur 也可以很好地工作。
cv2.medianBlur(img, 3)
替代步骤
正如您所见，所有这些过滤器都有效，但最好只在噪声所在的部分实施这些过滤器。为此，请使用以下命令：
edges = cv2.Canny(img, 50, 150, apertureSize = 3) // img is gray here
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, 100, 1000, 50) // last two arguments are minimum line length and max gap between two lines respectively.
for line in lines:
for x1, y1, x2, y2 in line:
print x1, y1
// This gives the start coordinates for all the lines. You should take the x value which is between (0.75 * w, w) where w is the width of the entire image. This will give you essentially **(x1, y1) = (1896, 766)**
然后，你可以只提取这部分：
extract = img[y1:h, x1:w] // w, h are width and height of the image
然后，在此图像中实现过滤器（中值或闭合）。去除噪声后，您需要将这张过滤后的图像放置在原始图像中的模糊部分。 图像[y1:h, x1:w] = 中位数
这在 C++ 中很简单：
extract.copyTo(img, new Rect(x1, y1, w - x1, h - y1))
替代方法的最终结果
【讨论】：
我的解决方案是基于阈值化，分 4 步获得结果图像。
OpenCV 3.2.0阅读图片。 GaussianBlur() 平滑图像，尤其是灰色区域。 代码在Python 2.7。可以轻松更改为C++。
import numpy as np
import cv2
import matplotlib.pyplot as plt
%matplotlib inline
# read Danish doc image
img = cv2.imread('./imagesStackoverflow/danish_invoice.png')
# apply GaussianBlur to smooth image
blur = cv2.GaussianBlur(img,(5,3), 1)
# threshhold gray region to white (255,255, 255) and sets the rest to black(0,0,0)
mask=cv2.inRange(blur,(0,0,0),(150,150,150))
# invert the image to have text black-in-white
res = 255 - mask
plt.figure(1)
plt.subplot(121), plt.imshow(img[:,:,::-1]), plt.title('original')
plt.subplot(122), plt.imshow(blur, cmap='gray'), plt.title('blurred')
plt.figure(2)
plt.subplot(121), plt.imshow(mask, cmap='gray'), plt.title('masked')
plt.subplot(122), plt.imshow(res, cmap='gray'), plt.title('result')
plt.show()
以下是代码绘制的图片供参考。
这是 2197 x 3218 像素的结果图片。
【讨论】：
如果您非常担心删除可能会损害 OCR 检测的像素。在不添加人工制品的情况下，尽可能地保持原样。然后你应该创建一个 blob 过滤器。并删除任何小于 n 像素左右的斑点。
不打算编写代码，但我知道这很好用，因为我自己使用它，虽然我不使用 openCV（出于速度原因，我编写了自己的多线程 blobfilter）。抱歉，我不能在这里分享我的代码。只是描述如何做到这一点。
【讨论】：
如果处理时间不是问题，在这种情况下，一种非常有效的方法是计算所有黑色连通分量，并删除那些小于几个像素的分量。它将删除所有嘈杂的点（除了那些触及有效组件的点），但保留所有字符和文档结构（行等）。
要使用的函数是connectedComponentWithStats（在您可能需要生成负像之前，threshold 函数和THRESH_BINARY_INV 将在这种情况下工作），在找到小的连接组件的地方绘制白色矩形。
事实上，这种方法可用于查找字符，定义为给定最小和最大尺寸的连通分量，并在给定范围内具有纵横比。
【讨论】：
我已经遇到过同样的问题并得到了最好的解决方案。
将源图像转换为grayscale image 并应用fastNlMeanDenoising 函数，然后应用threshold。
像这样 -
fastNlMeansDenoising(gray,dst,3.0,21,7);
threshold(dst,finaldst,150,255,THRESH_BINARY);
还可以根据您的背景噪声图像调整阈值。
例如-threshold(dst,finaldst,200,255,THRESH_BINARY);
注意 - 如果您的列线被删除...您可以从源图像中获取列线掩码，并可以使用 AND、OR、XOR 等 BITWISE 运算应用于去噪结果图像。
【讨论】：