模糊图像阈值-第2部分

Question

如何设置模糊图像的阈值以使数字尽可能清晰？

在之前的一篇文章中，我尝试自适应地对模糊的图像进行阈值化（左），这导致数字失真和断开连接（右）：

从那时起，我尝试使用本文中描述的形态学关闭操作来使图像的亮度均匀：

如果我自适应地设置此图像的阈值，则不会得到明显更好的结果。但是，由于亮度大致一致，我现在可以使用普通阈值：

这比以前好多了，但我有两个问题：

1. 我必须手动选择阈值。虽然关闭操作会产生均匀的亮度，但其他图像的亮度级别可能会有所不同
2. 如果阈值水平略有变化，图像的不同部分效果会更好。例如，左上角的9和7部分褪色，应具有较低的阈值，而一些6融合为8，应具有较高的阈值

我认为返回到自适应阈值，但使用非常大的块大小（图像的1/9）可以解决这两个问题。相反，我最终得到了一个奇怪的“光环效应”，图像的中心要亮得多，但边缘与正常阈值图像大致相同：

编辑：雷米建议从形态学上打开这篇文章右上角的阈值图像。这不太管用。使用椭圆核时，只有3x3足够小，可以避免完全抹去图像，即使这样，数字中也会出现明显的破损：

编辑2：mmgp建议使用维纳滤波器来消除模糊。我将OpenCV中用于维纳过滤的代码改编为OpenCV4Android，但这会使图像更加模糊！以下是使用我的代码和5x5内核过滤前后的图像：

这是我的改编代码，它将过滤到位：

private void wiener(Mat input, int nRows, int nCols) { // I tried nRows=5 and nCols=5

    Mat localMean = new Mat(input.rows(), input.cols(), input.type());
    Mat temp = new Mat(input.rows(), input.cols(), input.type());
    Mat temp2 = new Mat(input.rows(), input.cols(), input.type());

    // Create the kernel for convolution: a constant matrix with nRows rows 
    // and nCols cols, normalized so that the sum of the pixels is 1.
    Mat kernel = new Mat(nRows, nCols, CvType.CV_32F, new Scalar(1.0 / (double) (nRows * nCols)));

    // Get the local mean of the input.  localMean = convolution(input, kernel)
    Imgproc.filter2D(input, localMean, -1, kernel, new Point(nCols/2, nRows/2), 0); 

    // Get the local variance of the input.  localVariance = convolution(input^2, kernel) - localMean^2 
    Core.multiply(input, input, temp);  // temp = input^2
    Imgproc.filter2D(temp, temp, -1, kernel, new Point(nCols/2, nRows/2), 0); // temp = convolution(input^2, kernel)
    Core.multiply(localMean, localMean, temp2); //temp2 = localMean^2
    Core.subtract(temp, temp2, temp); // temp = localVariance = convolution(input^2, kernel) - localMean^2  

    // Estimate the noise as mean(localVariance)
    Scalar noise = Core.mean(temp);

    // Compute the result.  result = localMean + max(0, localVariance - noise) / max(localVariance, noise) * (input - localMean)

    Core.max(temp, noise, temp2); // temp2 = max(localVariance, noise)

    Core.subtract(temp, noise, temp); // temp = localVariance - noise
    Core.max(temp, new Scalar(0), temp); // temp = max(0, localVariance - noise)

    Core.divide(temp, temp2, temp);  // temp = max(0, localVar-noise) / max(localVariance, noise)

    Core.subtract(input, localMean, input);  // input = input - localMean
    Core.multiply(temp, input, input); // input = max(0, localVariance - noise) / max(localVariance, noise) * (input - localMean)
    Core.add(input, localMean, input); // input = localMean + max(0, localVariance - noise) / max(localVariance, noise) * (input - localMean)
}

Answer 1

如果你愿意花一些时间在它上面，有一些去模糊技术可以用来在处理之前将图片锐化。OpenCV中还没有任何内容，但如果这是一种成败攸关的东西，您可以添加它。

有很多关于这个主题的文献：http://www.cse.cuhk.edu.hk/~ leojia/项目/运动\去模糊/索引。htmlhttp://www.google.com/search?q=motion消除模糊

OpenCV邮件列表上的一些喋喋不休：http://tech.groups.yahoo.com/group/OpenCV/message/20938

你看到的奇怪的“光晕效应”可能是由于OpenCV在自适应阈值位于/接近图像边缘时假设颜色为黑色，并且它使用的窗口“挂在”边缘到非图像区域。有一些方法可以纠正这个问题，很可能你会制作一个比相机图像高至少两个完整块大小的临时图像。然后将相机图像复制到它的中间。然后将临时图像的周围“空白”部分设置为相机图像的平均颜色。现在，当您执行自适应阈值时，边缘处/附近的数据将更接近准确。它不会是完美的，因为它不是真实的图片，但它会产生比OpenCV假设的黑色更好的结果。

Answer 2

我尝试过分别为每个3x3框设置阈值，使用Otsu的算法（CV_OTSU-谢谢remi！）来确定每个框的最佳阈值。这比为整个图像设置阈值要好一点，而且可能更健壮一点。

不过，我们欢迎更好的解决方案。

Answer 3

您可以尝试以下提示：

>

在原始阈值图像（第一张图片右侧有噪声的图像）中应用形态学开口。您应该消除大部分背景噪音，并能够重新连接数字。

使用原始图像的不同预处理而不是形态关闭，例如中值滤波（倾向于模糊边缘）或双边滤波，这将更好地保留边缘，但计算速度较慢。

就阈值而言，您可以使用cv::阈值中的CV_OTSU标志来确定全局阈值的最佳值。局部阈值可能仍然更好，但应该更好地使用双边或中值滤波器