快速图像阈值化

Question

什么是快速可靠的方法来阈值图像可能模糊和不均匀的亮度？

示例（模糊但亮度一致）：

因为不能保证图像具有均匀的亮度，所以使用固定阈值是不可行的。自适应阈值工作正常，但由于模糊，它会在特征中造成中断和扭曲（这里，重要的特征是数独数字）：

我也尝试过使用直方图均衡化（使用OpenCV的均衡器函数）。它在不减少亮度差异的情况下增加对比度。

我找到的最佳解决方案是将图像按其形态闭合（归功于这篇文章）进行分割，以使亮度均匀，然后重新规范化，然后使用固定阈值（使用Otsu算法选择最佳阈值水平）：

以下是OpenCV for Android中的代码：

Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_ELLIPSE, new Size(19,19));
Mat closed = new Mat(); // closed will have type CV_32F
Imgproc.morphologyEx(image, closed, Imgproc.MORPH_CLOSE, kernel);
Core.divide(image, closed, closed, 1, CvType.CV_32F);
Core.normalize(closed, image, 0, 255, Core.NORM_MINMAX, CvType.CV_8U);
Imgproc.threshold(image, image, -1, 255, Imgproc.THRESH_BINARY_INV
    +Imgproc.THRESH_OTSU); 

这工作得很好，但是关闭操作非常慢。减小结构元素的大小可以提高速度，但会降低准确性。

编辑：根据DCS的建议，我尝试使用高通滤波器。我选择了拉普拉斯滤波器，但我希望Sobel和Scharr滤波器的结果类似。该滤波器在不包含特征的区域拾取高频噪声，并且由于模糊而受到与自适应阈值类似的失真。它还需要大约与关闭操作一样长的时间。以下是15x15过滤器的示例：

编辑2：根据AruniRC的回答，我对图像使用了Canny边缘检测，并建议参数：

double mean = Core.mean(image).val[0];
Imgproc.Canny(image, image, 0.66*mean, 1.33*mean);

我不知道如何可靠地自动微调参数以获得连接的数字。

Answer 1

我们使用Bradleys算法解决非常类似的问题（从背景中分割字母，光线不均匀，背景颜色不均匀），如下所述：http://people.scs.carleton.ca:8008/~roth/iit出版物iti/docs/gerh-50002。pdf，C#代码如下：http://code.google.com/p/aforge/source/browse/trunk/Sources/Imaging/Filters/Adaptive二值化/BradleyLocalThresholding。cs？r=1360。它适用于积分图像，可以使用OpenCV的积分函数计算积分图像。它非常可靠和快速，但本身并没有在OpenCV中实现，但很容易移植。

另一种选择是openCV中的adaptiveThreshold方法，但我们没有尝试：http://docs.opencv.org/modules/imgproc/doc/miscellaneous_transformations.html#adaptivethreshold.平均值版本与bradleys相同，只是它使用一个常量来修改平均值，而不是百分比，我认为这更好。

此外，这里还有一篇好文章：https://dsp.stackexchange.com/a/2504

Answer 2

替代方法：

假设您的目的是将数字清楚地进行二值化。。。将焦点转移到组件，而不是整个图像。

这里有一个非常简单的方法：

>

对图像进行精明的边缘映射。首先，使用参数在低阈值到0.66*[平均值]和高阈值到1.33*[平均值]的范围内尝试Canny函数。（指格雷维尔值的平均值）

您需要稍微修改一下参数，以获得主要组件/数字作为单独组件清晰可见的图像。在这个阶段，近乎完美就足够了

将每个Canny边视为一个连接的组件（即使用cvFindContours（）或其C对应项，以两者为准），可以估计前景和背景灰度并达到阈值。

最后，请看一下第2节。和3。这篇论文。跳过大多数非必要的理论部分，在OpenCV中实现它应该不会太困难。

希望这有帮助！

编辑1：

基于Canny边缘阈值，这里有一个非常粗略的想法，足以微调值。“高\u阈值”（high\u threshold）控制检测边缘之前的强度。基本上，要首先检测到边缘，其梯度幅值必须大于高\u阈值。这就是边缘的初始检测。

现在，低\u阈值处理连接附近边缘的问题。它控制附近断开连接的边合并到一条边的数量。要了解更多信息，请阅读此网页的“步骤6”。尝试设置一个非常小的low\u阈值，看看事情是如何发生的。如果对这些图像不起作用，你可以放弃0.66*[平均值]的东西——不管怎样，这只是一条经验法则。

Answer 3

根据Vaughn Cato和Theraot的建议，我在关闭之前缩小了图像，然后将关闭的图像缩放到常规大小。我还按比例缩小了内核大小。

Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_ELLIPSE, new Size(5,5));
Mat temp = new Mat(); 

Imgproc.resize(image, temp, new Size(image.cols()/4, image.rows()/4));
Imgproc.morphologyEx(temp, temp, Imgproc.MORPH_CLOSE, kernel);
Imgproc.resize(temp, temp, new Size(image.cols(), image.rows()));

Core.divide(image, temp, temp, 1, CvType.CV_32F); // temp will now have type CV_32F
Core.normalize(temp, image, 0, 255, Core.NORM_MINMAX, CvType.CV_8U);

Imgproc.threshold(image, image, -1, 255, 
    Imgproc.THRESH_BINARY_INV+Imgproc.THRESH_OTSU);

下图显示了3种不同方法的并排结果：

左-常规大小闭合（432像素），大小19内核

中半尺寸闭合（216像素），尺寸为9内核

右-四分之一大小闭合（108像素），大小为5内核

当用于闭合的图像尺寸变小时，图像质量会恶化，但恶化程度不足以影响特征识别算法。对于四分之一大小的关闭，即使调整大小，速度也会略微提高16倍以上，这表明关闭时间大致与图像中的像素数成比例。

任何关于如何进一步改进这个想法的建议（通过进一步降低速度或减少画质的恶化）都是非常受欢迎的。