Image processing 模糊图像的自适应阈值

我有一张非常模糊的432x432的数独拼图，它的自适应阈值不好（取5x5像素块大小的平均值，然后减去2）：

正如你所看到的，数字有点失真，有很多破损，一些5s融合成6s，6s融合成8s。而且，这里有很多噪音。为了修复噪声，我必须使用高斯模糊使图像更加模糊。然而，即使是相当大的高斯核和自适应阈值块大小（21x21，减去2）也无法消除所有中断，并将数字融合在一起，甚至更严重：

我还尝试过在阈值化后放大图像，这与增加块大小的效果类似；不管怎样，这都没什么用。我还应该试试什么？

看看。除GaussianBlur外，还有

medianBlur

和

bilateralFilter

，您也可以使用它们来降低噪音。我从您的源图像（右上角）中获取了此图像：

更新：以及我在删除小轮廓后得到的以下图像：

---

更新：您还可以锐化图像（例如，使用

Laplacian

）。看看。

一个很好的解决方案是使用形态学闭合使亮度均匀，然后使用常规（非自适应）大津阈值：

// Divide the image by its morphologically closed counterpart
Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_ELLIPSE, new Size(19,19));
Mat closed = new Mat();
Imgproc.morphologyEx(image, closed, Imgproc.MORPH_CLOSE, kernel);

image.convertTo(image, CvType.CV_32F); // divide requires floating-point
Core.divide(image, closed, image, 1, CvType.CV_32F);
Core.normalize(image, image, 0, 255, Core.NORM_MINMAX);
image.convertTo(image, CvType.CV_8UC1); // convert back to unsigned int

// Threshold each block (3x3 grid) of the image separately to
// correct for minor differences in contrast across the image.
for (int i = 0; i < 3; i++) {
    for (int j = 0; j < 3; j++) {
        Mat block = image.rowRange(144*i, 144*(i+1)).colRange(144*j, 144*(j+1));
        Imgproc.threshold(block, block, -1, 255, Imgproc.THRESH_BINARY_INV+Imgproc.THRESH_OTSU);
    }
}

//将图像除以其形态上闭合的对应图像
Mat kernel=Imgproc.getStructuringElement（Imgproc.morp_椭圆，新大小（19,19））；
垫关闭=新垫（）；
Imgproc.morphologyEx（图像，闭合，Imgproc.MORPH\u闭合，内核）；
image.convertTo（image，CvType.CV_32F）；//除法需要浮点运算
Core.divide（image，closed，image，1，CvType.CV_32F）；
规格化（image，image，0，255，Core.NORM\u MINMAX）；
image.convertTo（image，CvType.CV_8UC1）；//转换回无符号整数
//将图像的每个块（3x3网格）分别设置为阈值
//纠正图像中对比度的细微差异。
对于（int i=0；i<3；i++）{
对于（int j=0；j<3；j++）{
Mat block=image.rowRange（144*i，144*（i+1））.colRange（144*j，144*（j+1））；
Imgproc.threshold（块，块，-1255，Imgproc.THRESH\u BINARY\u INV+Imgproc.THRESH\u OTSU）；
}
}

结果:

---

始终应用高斯函数以获得更好的结果

cvAdaptiveThreshold(original_image, thresh_image, 255,
            CV_ADAPTIVE_THRESH_GAUSSIAN_C, CV_THRESH_BINARY, 11, 2);

---

你看到了吗？我最近确实看到了这一点，但对于凸性代码（我最后没有费心实现），而不是规范化代码。我现在肯定要看一看。你能通过假设一个结构良好的谜题来添加非图像处理策略吗？如果是这样，您可以应用一些不依赖于图像质量的其他规则。例如，对于OCR结果置信度较低的单元格，您可以在三个房间中分别检查相关单元格的高置信度数字，这可以限制低置信度单元格的可能性。您也可以使用高置信度单元格部分解决此难题，这将增加约束条件。@DaveK我认为这是一个非常有创意的解决方案。我喜欢使用附近的细胞来提高自信的想法。我认为你甚至不需要部分解决这个难题，即使是简单的DFS解决只需要很少的时间。然后，您可以简单地采用您得到的第一个解决方案，并假设它是正确的。再加上一些并行处理，每个核心采用不同的假设板，很快就会有一个解决方案。我正在使用OpenCV的HoG和SVM对数字进行分类。我不知道有可能从这个界面获得信任。即使我可以，我宁愿在检测过程中提高图像质量。好主意，如果其他的都失败了，我可以考虑一下。谢谢你的建议！这比原来的好，但不能充分解决数字中断的问题。如何合并块？高斯阈值并不总是导致更好的结果。