Opencv 复杂背景的分割特征

在光学字符识别（OCR）中，我面临着在噪声/复杂背景图像上分割字符的问题。我已经尝试了三个最简单的图片中的一个（我认为），我附加在这里。此外，我还尝试了对比度增强（直方图均衡化），因为图像的对比度几乎很低。然而，分割后的字符质量仍然很差：连通字符、未填充区域以及由于固定阈值而无法用于其他图像

    Scalar m = mean(src);
    for ( y = 0; y < src.rows; y++ )
    {
        for ( x = 0; x < src.cols; x ++ )
        {
            if ( filtered_image.at<uchar>(y,x) > 160 )
            {
                filtered_image.at<uchar>(y, x) = (uchar) m(0);
            }
        }
    }
    GaussianBlur(filtered_image, filtered_image, Size(5, 5), 1, 1, 4);
    imshow("filtered", filtered_image);

    HardThresholding(filtered_image, filtered_image, 70);
    imshow("threshold", filtered_image);

标量m=平均值（src）；
对于（y=0；y160处过滤的图像）
{
在（y，x）=（uchar）m（0）处的滤波图像；
}
}
}
高斯模糊（滤波图像，滤波图像，大小（5,5），1,1,4）；
imshow（“过滤”，过滤的图像）；
硬阈值（滤波图像，滤波图像，70）；
imshow（“阈值”，过滤图像）；

通过为大于阈值（ex:180）的像素指定图像平均值来去除亮点

高斯模糊以去除噪声

相对于固定阈值的硬阈值

如果有人能提出一些想法，那就太好了

---

尝试使用中值滤波器或更好的边缘保持滤波器（如Kuwahara），而不是简单的高斯模糊

---

我还建议使用更先进的阈值技术。你可以从大津阈值法或滞后阈值法开始研究。

代替简单的高斯模糊，尝试使用中值滤波器或更好的边缘保持滤波器，如Kuwahara

我还建议使用更先进的阈值技术。你可以从大津阈值法或滞后阈值法开始研究。

你可以尝试MSER（最大稳定极值区域）进行斑点检测。VLFeat开源库包括MSER的实现

有一个专门研究文本分割的系统。事实证明，许多方法都将MSER作为其处理管道的一部分。

您可以尝试使用MSER（最大稳定极值区域）进行斑点检测。VLFeat开源库包括MSER的实现

---

有一个专门研究文本分割的系统。事实证明，许多方法都将MSER作为其处理管道的一部分。

没有奇迹，在没有先验信息的情况下，你无法获得完美的分割，尤其是在第三种情况下。即使是人类也不能

对于这种困难的情况，我将使用带有自动阈值的直接二值化。任何类型的滤波、去噪、平滑、对比拉伸、自适应阈值。。。充其量也不会产生积极的影响，更糟糕的是抹去字符

二值化后，找到已知大小和已知间距的3乘3盒的最佳排列

您还可以尝试通过配置文件分析查找字符间限制（垂直和水平）

---

如果你能负担得起，直接模板匹配网格可能是比分割更好的解决方案。

没有奇迹，没有先验信息，你无法获得完美的分割，特别是在第三种情况下。即使是人类也不能

对于这种困难的情况，我将使用带有自动阈值的直接二值化。任何类型的滤波、去噪、平滑、对比拉伸、自适应阈值。。。充其量也不会产生积极的影响，更糟糕的是抹去字符

二值化后，找到已知大小和已知间距的3乘3盒的最佳排列

您还可以尝试通过配置文件分析查找字符间限制（垂直和水平）

---

如果你能负担得起的话，直接用网格模板匹配可能是比分割更好的解决方案。

对比度增强在二值化之前是无用的。调整阈值。@YvesDaoust：我认为对比度增强在二值化之前几乎是无用的，但是，我仍然会遇到一些动态阈值可能相当大的情况！[有效的XHTML]（“”@russel vk:我不是在讨论动态阈值的好处，我只是在看这个特殊的案例，IMO根本不可以设置阈值（第三幅图）@YvesDaoust:噢，对不起，我误解了你的话。对比度增强在二值化之前是没有用的。请调整阈值。@YvesDaoust:我认为对比度增强在二值化之前几乎没有用，但是，我仍然会遇到一些动态阈值可能相当大的情况。！！[有效的XHTML]（“”）@russel vk：一般来说，我不是在讨论动态阈值的好处，我是在看这个特殊的案例，IMO根本无法对其进行阈值设置（第三张图片）。@YvesDaoust:哦，对不起。我误解了你的话。