非均匀背景图像上的字符检测答案

【问题标题】：Characters detection on a non-uniform background image非均匀背景图像上的字符检测
【发布时间】：2018-05-24 03:31:16
【问题描述】：

我正在尝试进行字符检测，必须在它们周围画一个框，然后裁剪然后馈送到神经网络进行识别。一切正常，但在我在单色背景图像上使用字符集之前，很容易完成分割。

但是对于真实照片，我有不同的照明条件，很难找到轮廓。在应用了一些自适应阈值后，我设法得到了以下结果，但从那开始，我真的不知道如何正确地进行和检测每个字符。我可以很容易地检测到一半的字符，但不是全部。可能是因为它们被许多不相关的小轮廓包围。我有一种感觉，还剩一步，但我不知道是哪一步。 Find Countours 只能找到大约一半的字符。

现在，简而言之，我正在做：

im_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
im_gray = cv2.GaussianBlur(im_gray, (5, 5), 0)
_, th1 = cv2.threshold(im_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cim, ctrs, hier = cv2.findContours(th1.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

和

th2 = cv2.adaptiveThreshold(im_gray,255,cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,2)

下面的图像 - 原始图像和中间结果的一些变体。

Original pic

After some thresholding

Inverse thresholding

所以问题是 - 分割字符之后的步骤/步骤是什么？

【问题讨论】：

你试过减少噪音吗？ Tutorial，wiki。 Wiki 中有一些可怕的名称，因此请尝试在 opencv 中搜索特定技术以查看结果（例如 dilation, erosion 等）
谢谢！这个我其实没试过。是的，可怕的名字并不那么可怕:)

标签： python opencv

【解决方案1】：

您可以执行高斯差分。这个想法是用两个不同的内核模糊图像并减去它们各自的结果：

代码：

im = cv2.imread(img, 0)

#--- it is better to take bigger kernel sizes to remove smaller edges ---
kernel1 = 15
kernel2 = 31

blur1 = cv2.GaussianBlur(im,(kernel1, kernel1), 0) 
blur2 = cv2.GaussianBlur(im,(kernel2, kernel2), 0) 

cv2.imshow('Difference of Gaussians',blur2 - blur1)

结果：

【讨论】：

太好了，谢谢！这实际上比我所有的努力都产生了更好的结果
@Alex 尝试改变内核的大小并看到不同的结果。