分离扫描文档中的背景/前景层

Question

我需要为 OCR 自动移除扫描文档图像的浅色背景。

ScanTailor 是一个开源的基于 C++ GUI 的应用程序，它执行背景分离等功能，但我不知道如何只运行实际移除背景的最后一步。

理想情况下，我可以找到执行此操作的代码，或者：

1. 将该部分移植到 C#
2. 修改 C++ 以响应命令行执行，仅在给定图像上执行该步骤

你能帮我理解我该怎么做吗？
或者你知道其他可以做到这一点的图书馆吗？ （任何语言/平台都可以接受）

Answer 1

您指的是 OCR 应用程序中必需的阈值、去斑和去噪技术。

结果的质量很大程度上取决于许多不同的因素 -

原件的打印质量 扫描质量 图像分辨率 使用的背景颜色和图案。 噪音和其他标记。

您可能会发现http://www.hi-components.com/nievolution.asp 的 IEvolution.NET 库很有用。它有许多图像处理功能可供使用。

有许多商业引擎可用。没有一种完美的功能可以解决图像处理问题。您必须调整函数和参数以匹配您的图像。 http://www.recogniform.com/thresholding.htm

• Best threshold for converting grayscale to black and white
• Adaptive threshold binarization: post-processing for removing ghost objects
• Adaptive threshold Binarization's bad effects
• fast threshold and bit packing algorithm ( possible improvements ? )

Google 搜索会显示很多结果。

Answer 2

算法大概是这样的：

• 确定背景颜色是什么
• 扫描位图以查找颜色与背景颜色（和/或足够相似）的像素
• 将这些像素转换为白色或透明
• 可能（尤其是当页面包含图像而不仅仅是文本时）忽略孤立像素，这些像素是背景颜色，但不与其他背景像素相邻

如果是高分辨率低色深（例如黑白）图像，则需要将此算法应用于groups of pixels。