Python 3.x 通过OCR预处理标准化脏图像

我正在做一个项目，研究不同来源的OCR图像面临的问题，但这个问题仅限于相机拍摄的图像。样本来自书籍、试卷等

我正在寻找的是一种方法，通过它我可以使图像OCR准备好

资料来源：

我尝试过的一些方法

th = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                            cv2.THRESH_BINARY,11,2)

输出：（因尺寸较大而压缩）

在阈值之后，我尝试了内核大小为9的中值模糊，它去除了几乎所有的噪声，但也损坏了一些字符

输出：

我尝试过的另一种方法是使用skimage（本地阈值）：

这种方法会产生大量的噪声，但使用中值模糊可以清除的噪声也会损坏某些字符

我这样做对吗？

---

如果没有，我该怎么做，下一步该怎么做。我的目标是找到一种能在所有图像上以最大精度工作的方法，最好是100%

通常每个图像都是噪声方面的特例，没有通用的解决方案，但您是否仍然需要更好地处理此文本的解决方案？对于此特定图像，您可以使用：

img[img[…，0]>130]=255

then

，th=cv2.threshold（img，200255，cv2.THRESH_BINARY）

我需要的是一种标准化图像的方法，以获得最大的结果，不是100%，而是尽可能最大的结果。因此，我可以在研究中表明，需要ML或神经网络才能获得100%的准确度。你不妨试试大津阈值。但正如@BelalHomaidan所说，没有一个通用的解决方案。您可以做的一件事是拥有一组可以处理任何图像的方法，并将所有这些方法应用于您遇到的每个图像。挑最好的。当然，考虑到所花费的时间，这不是最好的方法。为此，您可以进行并行处理。

warped = cv2.cvtColor(imgc, cv2.COLOR_BGR2GRAY)
T = threshold_local(warped, 11, offset = 1, method = "gaussian")
warped = (warped > T).astype("uint8") * 255
cv2.imwrite('newth.jpg', warped)