具有模糊图像的自适应阈值答案

【问题标题】：Adaptive threshold with blurry image具有模糊图像的自适应阈值
【发布时间】：2013-09-08 19:04:15
【问题描述】：

我正在寻找用于图像二值化的最佳自适应阈值方法。但是我对深色和模糊的图像有任何问题。
输入图像：

当我使用自适应阈值方法时，我会收到此
输出图像：

这对我不好！
那么，有人可以帮我解决这个问题吗？

另一张图片：

和：

@Hammer'solution 的第一个看起来很糟糕（我必须选择 c 通道），第二个我可以使用自适应阈值正常。
所以我想为所有情况找到最佳解决方案。

再次感谢！

【问题讨论】：

标签： opencv adaptive-threshold

【解决方案1】：

在图像中，颜色似乎是比强度更好的分割指标。尝试将其转换为 HSV，然后在 H 通道上运行 OTSU。

在python中

hsv = cv2.cvtColor(image, cv2.cv.CV_BGR2HSV)
cv2.imshow('hsv', hsv[:,:,0])
(thresh, im_bw) = cv2.threshold(hsv[:,:,0], 128, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
cv2.imshow('OTSU', im_bw)

提供 (hsv)

然后（OTSU）

有点腐蚀和扩张，你应该好好去

【讨论】：

是的，Hammer 感谢您的提问。这似乎对这种情况有利，对任何情况都不利。那么我该如何选择最佳解决方案呢？谢谢！
@minhthuan 这个好和其他坏的结果有什么不同？显示一些不符合 Hammer 解决方案的图像。
不错的答案。如何选择阈值以获得多个级别？已经有一些 OpenCv 魔法了？

【解决方案2】：

如果单个阈值不足以分隔所有图像，您可以尝试使用两个阈值的Watershed algorithm。

使用高阈值来获取具有绝对属于数字的片段的图像，并使用高逆阈值来获取具有绝对不属于数字的片段的图像。

稍微腐蚀两个图像以增加确定性。

然后将 2 张图片用作 Watershed 的种子。

Here is an answer where this is done

【讨论】：

【解决方案3】：

您可能对 openCV 使用的these 自适应阈值感兴趣。

我使用了自适应平均阈值。您可能需要稍微调整一下参数，但如果您的图像相似（相同大小等），希望不需要太多调整。

# Smooth image
filtered = cv2.adaptiveThreshold(input_image.astype(np.uint8), 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 41, 3)

# Some morphology to clean up image
kernel = np.ones((5,5), np.uint8)
opening = cv2.morphologyEx(filtered, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel)

结果：

【讨论】：

【解决方案4】：

以下代码...

im=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,111,3)
cv2.imshow('mkm',im)`

... 给出了很好的结果：

【讨论】：