预处理图像以提取文本并去除噪声

Question

[![在此处输入图像描述][1]][1]我有一张非常嘈杂的图像，我必须对其执行 OCR。附加的 sn-p 是更大图像的一部分。我将如何以最佳方式预处理此图像？

我已经尝试使用 Otsu Binarization 对图像进行预处理，使用各种过滤器和 Erosion-Dilation 对图像进行平滑处理。我还使用了 connectedComponentWithStats 来消除图像中的噪点。但这对处理污迹文本没有任何帮助

编辑 - 此文本需要进行预处理才能执行 OCR

img = cv2.imread(file,0)
gaus = cv2.GaussianBlur(img,(5,5),0)

_, blackAndWhite = cv2.threshold(gaus, 127, 255, cv2.THRESH_BINARY_INV)

nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(blackAndWhite, None, None, None, 8, cv2.CV_32S)
sizes = stats[1:, -1] 
img2 = np.zeros((labels.shape), np.uint8)

for i in range(0, nlabels - 1):
    if sizes[i] >= 50:  
        img2[labels == i + 1] = 255

res = cv2.bitwise_not(img2)

(thresh, img_bin) = cv2.threshold(img, 128, 255,cv2.THRESH_BINARY|     cv2.THRESH_OTSU)

img_bin = 255-img_bin 

kernel_length = np.array(img).shape[1]//80

verticle_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, kernel_length))

hori_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_length, 1))

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

img_temp1 = cv2.erode(img_bin, verticle_kernel, iterations=3)
verticle_lines_img = cv2.dilate(img_temp1, verticle_kernel, iterations=3)

img_temp2 = cv2.erode(img_bin, hori_kernel, iterations=3)
horizontal_lines_img = cv2.dilate(img_temp2, hori_kernel, iterations=3)

alpha = 0.5
beta = 1.0 - alpha

img_final_bin = cv2.addWeighted(verticle_lines_img, alpha, horizontal_lines_img, beta, 0.0)

img_final_bin = cv2.erode(~img_final_bin, kernel, iterations=2)
(thresh, img_final_bin) = cv2.threshold(img_final_bin, 128,255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)

Answer 1

这是一种消除噪音的方法

• 将图像转换为灰度和 Otsu 的阈值
• 执行形态变换以平滑图像
• 使用轮廓区域查找轮廓和过滤
• 反转图像

---

转换成灰度后，我们用Otsu的阈值得到二值图像

[![在此处输入图片描述][1]][1]

从这里我们创建一个内核并执行形态学打开以平滑图像。您可以尝试在此处使用不同的内核大小来消除更多噪音，但增加内核大小也会删除文本细节

[![在此处输入图片描述][2]][2]

接下来我们找到轮廓并使用具有最大阈值区域的轮廓区域进行过滤以去除小颗粒。我们填充轮廓以有效去除噪声

[![在此处输入图片描述][3]][3]

最后我们反转图像得到我们的结果

[![在此处输入图片描述][4]][4]

import cv2
import numpy as np

image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)

cnts = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

for c in cnts:
    area = cv2.contourArea(c)
    if area < 150:
        cv2.drawContours(opening, [c], -1, (0,0,0), -1)

result = 255 - opening 
cv2.imshow('thresh', thresh)
cv2.imshow('opening', opening)
cv2.imshow('result', result)
cv2.waitKey()