Question

有人知道后处理算法从二值化图像中删除鬼对象吗？问题：当我使用例如niblack方法或bernsen二值化图像时，它会产生很多噪音。我关于二值化的红皮书或互联网文章，他们都说Niblack和其他的二值化方法需要后处理步骤，但他们并没有说它是什么，后处理操作。所以，如果有人知道，请打电话给我。编辑：原始图片：

alt text http://i.piccy.info/i4/20/63/b970ab2ca66e997f421e969a1657.bmp

伯恩森门槛获胜31，对比差15：

alt text http://i.piccy.info/i4/32/55/2f1e0293311119986bd49529e579.bmp

伯尔森门槛获胜31，对比差31：

alt text http://i.piccy.info/i4/2a/13/774508890030b93201458986bbd2.bmp

Niblack方法窗口大小-15，k_value 0.2：

alt text http://i.piccy.info/i4/12/4f/fa6fc09bcba7a7e3245d670cbfa5.bmp

Niblack方法窗口大小-31，k_value 0.2：

alt text http://i.piccy.info/i4/c0/fd/1f190077abba2aeea89398358fc0.bmp

EDIT2：如您所见，Niblack阈值会产生很多噪音。如果我减小窗口尺寸，黑色方块内部会变成白色。伯尔森更好 - 噪音更小，但即使我使对比度差异更大，但是有一个问题，我现在无法生成图像，在文字中，问题是：如果图像包含一些颜色接近白色的对象，并且背景为白色，因此，如果有一个黑色区域（对于检查线），则此方法忽略对象，结果是错误的。那是因为Bernsen方法使用这个公式：在每个像素处计算对比度差异 diff = maximum_grayscale_value - minimum_grayscale_value 然后差异用于计算阈值，但在我上面写的情况下，我们的最大值为255 最小值为0。因此阈值将为128，但实际物体颜色高于128（接近白色）。

所以我需要使用一些后处理操作来正确地进行二值化。有什么想法吗？

Answer 1

使用K-means完成Python程序，这是一种用于查找最佳量化间隔的工具：

from scipy.misc import imread, imsave
def kmeans(file_in, file_out, maxiter):
    X = imread(file_in)
    thresh = X.mean()
    for iter in range(maxiter):
        thresh = (X[X<thresh].mean() + X[X>=thresh].mean())/2.0
    X[X<thresh] = 0
    X[X>=thresh] = 255
    imsave(file_out, X)
    return X, thresh

在每次迭代期间，K-means计算每个“集群”的中心，然后根据重新计算的中心将元素重新分配给集群。在每个元素（即像素）是一维的简单情况下，只需要两个聚类，阈值就是两个聚类中心的平均值。

我应该补充说，此方法适用于您发布的示例图像，但可能不适用于其他人（例如您在其他问题中发布的图像）。但是如果没有进一步的信息，我认为这个解决方案有效。

输出：

binary.bmp http://up.stevetjoa.com/binary.bmp

Answer 2

听起来你的问题确实是一个细分问题......你正在抽出的图像类型是什么？

顺便说一下，我如何评论这个问题而不是回答它？

Answer 3

问题可能已经过时，但对于那些仍然无法找到答案的人来说，在这些情况下应该使用的方法，即快速变化的背景图像不是局部灰度级阈值，而是局部特征阈值，它分析图像不是通过局部灰度级而是使用Stroke Width方法。你可以在网上寻找它。

自适应阈值二值化：用于移除鬼对象的后处理

3 个答案: