消除文档图像中的噪音

Question

我正在开发一个自动处理扫描发票的项目。 为了获得更好的OCR引擎效果，我想首先从图像中去除噪声。 除了划痕，我还想删除打印后添加到文档中的任何内容。 许多发票例如被勾掉了，有时它会使发票的某些部分对OCR不可读。

例如，看看这个图像。 第二项的描述是不可读的，我想删除那样的“噪音”。

那么如何删除这样的手写区域并保持高质量的打印文本呢？

Answer 1

通过忽略任何不具有至少某种颜色强度的像素，可以相当容易地过滤划痕和其他斑点。

处理这些行有三种选择：

1. 第一个重要问题，是用不同颜色书写的手写作？ 一个简单的解决方案是给每个人使用蓝色或红色笔并禁止使用黑色笔。 然后，您可以用彩色扫描文档，然后您可以轻松地使用绿色缓冲区作为灰度图像而不是所有三个缓冲区。 这将是实现这一目标的最简单方法，现在几乎所有扫描仪都支持彩色扫描。

2. 否则你将不得不编写一个可以检测图像中的线条的算法，为了使其正常工作，你需要首先校准算法，首先要知道字符的大小，然后找到任何线条。长于X像素，然后从那里删除线。 这将是非常有问题的，对你来说不会太好用，你会花很长时间试图让它工作，它仍然永远不会是100％。

3. 另一种方法是，在进行OCR之后，您应该将数据呈现给最终用户以验证其是否正确，然后您可以将其与扫描图像一起呈现，并允许它们覆盖扫描的内容（如果不正确）。

在这三个选项中，我会说你最好的选择就是阻止人们用黑色笔写发票。 如果你不能这样做，那么尽可能扫描文档并将其提供给最终用户以澄清有问题的字段（你甚至可以将它们标记为问题，这样用户就不需要检查整个文档了时间）。

编辑：有一点值得指出的是，如果你收到的文件已被写入然后传真，除了选项3之外，你将无法对它们做很多的事情（尽力而为然后呈现给用户）。

Answer 2

这是一项复杂的信号处理任务，需要一种复杂的算法，该算法利用区分手写笔记和打印文本的一些特性（例如，标记的宽度，手写笔记与打印文本相比的曲率，或者甚至可能是墨水的阴影。

可能比您正在寻找的信息更多，但您甚至可以训练学习算法来过滤掉不需要的标记。