从直方图密度自动查找最佳图像阈值

Question

我希望在显示器上执行光学字符识别（OCR），并希望程序在不同的光照条件下工作。 为此，我需要处理和阈值图像，使每个数字周围没有噪声，允许我检测数字的轮廓并从那里执行OCR。 我需要使用的阈值适应这些不同的光照条件。 我尝试过自适应阈值处理，但我无法让它工作。

我的图像处理很简单：加载图像（i），灰度i（g），将直方图均衡应用于g（h），并将二进制阈值应用于阈值= t的h。 我已经使用了几个不同的数据集，并发现使OCR工作的最佳阈值一致地位于（h）的直方图中的最高密度范围内（没有间隙的图的唯一部分）。

直方图（h）。 值t = [190,220]对于OCR是最佳的。 可以在此处找到描述我的问题的更完整的图像集： http ： //imgur.com/a/wRgi7

我当前的解决方案，但有点笨拙和缓慢，检查：

    1. There must be 3 digits
    2. The first digit must be reasonably small in size
    3. There must be at least one contour recognized as a digit
    4. The digit must be recognized in the digit dictionary

除非所有案例都被接受，否则阈值将增加10（从较低值开始）并再次尝试。

我可以在（h）的直方图上识别最佳阈值这一事实可能只是确认偏差，但我想知道是否有一种方法可以提取该值。 这与我之前使用直方图的方式不同，后者更多的是找到峰值/谷值。

我正在使用cv2进行图像处理，使用matplotlib.pyplot进行直方图。

Answer 1

起初，我认为“好吧，只需制作一个完整有效的索引直方图”，但我认为这不会真正解决你想要做的基础工作。

我认为你误解了直方图均衡。 直方图均衡的作用是在高度集中的区域中缩小直方图，这样如果您使用直方图采用不同的区域大小，您将在区域内获得或多或少相等的数量。 这些值密集的唯一原因是因为它们在图像中看起来较少 。 直方图均衡化使其他更流行的值显得更少。 正如您在原始灰度直方图中看到的那样，范围很好的原因是，190到220之间的值非常接近图像再次变亮的位置; 即，明亮的价值观明确的地方。

您可以通过绘制具有不同bin大小的直方图来直接看到equalizeHist工作方式。 例如，这里循环使用3到20的bin大小：

编辑：所以，为了清楚起见，您想要的是原始直方图中较低凹凸和较高凹凸之间的这个标记区域。 您不需要为此使用均衡直方图。 事实上，这就是Otsu阈值（遵循Otsu的方法 ）实际上做的事情：你假设数据遵循双峰分布，并找到明确标记两个分布之间点的点。

Answer 2

检查一下： 链接它真的不依赖于密度，它的工作原因是你分离了2个最大值。 局部最大值是主要类别前景 - 左侧局部最大值（文本像素）和背景右侧局部最大值（白皮书）。 最佳阈值应该最佳地分离这些最大值。 并且最佳阈值位于两个局部最大值之间的局部最小区域。

Answer 3

基本上，你要问的是找到256 x 1数组中最长序列的非零元素的索引。

基于这个答案 ，你应该得到你想要的东西：

import cv2
import numpy as np

# load in grayscale

img = cv2.imread("image.png",0)
hist = cv2.calcHist([img],[0],None,[256],[0,256])

non_zero_sequences = np.where(np.diff(np.hstack(([False],hist!=0,[False]))))[0].reshape(-1,2)
longest_sequence_id = np.diff(non_zero_sequences,axis=1).argmax()
longest_sequence_start = non_zero_sequences[longest_sequence_id,0]
longest_sequence_stop = non_zero_sequences[longest_sequence_id,1]

请注意，它未经测试。

Answer 4

我还建议使用像Otsu方法那样的自动阈值处理方法（ 这里是方法的一个很好的解释）。

在Python OpenCV中，您有本教程解释如何进行Otsu的二值化。

如果您想尝试其他自动阈值方法，可以查看ImageJ / Fiji软件。 例如，此页面总结了所有实现的方法。

---

灰度图像：

结果：

如果要重新实现这些方法，可以检查Auto_Threshold插件的源代码。 我用Fiji进行了这个演示。