这不是小事，我的朋友。雪上加霜的是，您的图像分辨率非常低，压缩并且具有令人讨厌的眩光-根本无助于处理。请查看您的输入并相应地设定您的期望。话虽如此，让我们试着用我们所拥有的来获得最好的结果。这些是我建议的步骤：
- 尝试分割图像中的水印文本
-
过滤分割掩码并尝试使二进制掩码尽可能干净
- 使用文本掩码in-paint使用输入图像作为参考的违规区域
现在，正如您已经看到的，棘手的部分是分割文本。在尝试了一些技术和色彩空间后，我发现CMYK color space - 特别是 K 通道 - 提供了有希望的结果。文字相当清晰，我们可以在此尝试Adaptive Thresholding，让我们看看：
# Imports
import cv2
import numpy as np
# Read image
imagePath = "D://opencvImages//"
img = cv2.imread(imagePath+"0f5zZm.jpg")
# Store a deep copy for the inpaint operation:
originalImg = img.copy()
# Convert to float and divide by 255:
imgFloat = img.astype(np.float) / 255.
# Calculate channel K:
kChannel = 1 - np.max(imgFloat, axis=2)
OpenCV 不直接提供BGR 到CMYK 的转换，所以我必须使用conversion formula 手动获取K 频道。这非常简单。 K（或Key）通道表示白色的最低强度（黑色）像素。这意味着几乎是白色的文本将呈现为黑色......这是输入的K Channel：
你看到输入上较暗的像素在这里几乎是白色的吗？很好，它似乎在文本和其他所有内容之间得到了明确的分离。很遗憾，我们在右侧有一些令人讨厌的眩光。无论如何，转换涉及float操作，所以要小心data types。也许我们可以通过一点亮度/对比度调整来改善这张图片。只是一点点，我只是想将更多的文字与讨厌的眩光分开：
# Apply a contrast/brightness adjustment on Channel K:
alpha = 0
beta = 1.2
adjustedK = cv2.normalize(kChannel, None, alpha, beta, cv2.NORM_MINMAX, cv2.CV_32F)
# Convert back to uint 8:
adjustedK = (255*adjustedK).astype(np.uint8)
这是调整后的图像：
似乎文字和眩光之间的距离有点大。好的，让我们在这个 bad boy 上应用 Adaptive Thresholding 以获得初始分割掩码：
# Adaptive Thresholding on adjusted Channel K:
windowSize = 21
windowConstant = 11
binaryImg = cv2.adaptiveThreshold(adjustedK, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, windowSize, windowConstant)
您看到我在这里使用了一个不太大的windowSize 来进行阈值处理吗？如果您愿意，可以随意调整这些参数。这是我得到的二进制图像：
是的，有很多噪音。以下是我提出的获得更清洁面具的建议：有一些明显的斑点比文本更大。同样，还有其他比文本小的 blob。让我们找到大斑点和小斑点并减去它们。如果我们正确设置参数，生成的图像应该包含文本。让我们看看：
# Get the biggest blobs on the image:
minArea = 180
bigBlobs = areaFilter(minArea, binaryImg)
# Filter the smallest blobs on the image:
minArea = 20
smallBlobs = areaFilter(minArea, binaryImg)
# Let's try to isolate the text:
textMask = smallBlobs - bigBlobs
cv2.imshow("Text Mask", textMask)
cv2.waitKey(0)
这里我使用了一个名为areaFilter 的辅助函数。此函数返回图像中高于最小面积阈值的所有斑点。我将在答案末尾发布该功能。同时，看看这些很酷的图片：
大斑点：
过滤的小斑点：
他们的区别：
可悲的是，某些字符似乎无法在过滤操作中幸存下来。那是因为眩光和文本的交集太多，算法无法得到清晰的分离。可以使修复结果受益的东西是此蒙版上的细微模糊，以消除该压缩别名。让我们应用一些Gaussian Blur 来平滑蒙版：
# Blur the mask a little bit to get a
# smoother inpanting result:
kernelSize = (3, 3)
textMask = cv2.GaussianBlur(textMask, kernelSize, cv2.BORDER_DEFAULT)
内核并没有那么大，我只是想要一个微妙的效果。结果如下：
最后，让我们应用内画：
# Apply the inpaint method:
inpaintRadius = 10
inpaintMethod = cv2.INPAINT_TELEA
result = cv2.inpaint(originalImg, textMask, inpaintRadius, inpaintMethod)
cv2.imshow("Inpaint Result", result)
cv2.waitKey(0)
这是最终结果：
好吧，考虑到输入图像，还不错。您可以尝试调整一些值来进一步改善结果，但现实生活中，老兄，输入图像一开始并不是那么好。这是areaFilter 函数：
def areaFilter(minArea, inputImage):
# Perform an area filter on the binary blobs:
componentsNumber, labeledImage, componentStats, componentCentroids = \
cv2.connectedComponentsWithStats(inputImage, connectivity=4)
# Get the indices/labels of the remaining components based on the area stat
# (skip the background component at index 0)
remainingComponentLabels = [i for i in range(1, componentsNumber) if componentStats[i][4] >= minArea]
# Filter the labeled pixels based on the remaining labels,
# assign pixel intensity to 255 (uint8) for the remaining pixels
filteredImage = np.where(np.isin(labeledImage, remainingComponentLabels) == True, 255, 0).astype('uint8')
return filteredImage