自适应阈值二值化的不良影响

Question

我实现了一些自适应二值化方法,它们使用一个小窗口,并在每个像素处计算阈值.这些方法存在问题:如果我们选择窗口尺寸太小我们会得到这种效果(我认为原因是因为窗口尺寸很小) alt text http://i.piccy.info/i4/3d/bc /773b7df74ff7dadfd11c09372b7e.jpeg

在左上角有一个原始图像,右上角 - 全局阈值结果.左下角 - 将图像划分为某些部分的示例(但我正在谈论分析图像的小像素周围,例如大小为10X10的窗口).所以你可以在右下角看到这些算法的结果,我们得到一个黑色区域,但它必须是白色的.有谁知道如何改进算法来解决这个问题？

Answer 1

这个领域应该有很多研究正在进行，但不幸的是我没有提供好的链接。

一个可能有效但我没有测试过的想法是尝试估计照明变化，然后在阈值化之前将其删除（这是比“二值化”更好的术语）。然后问题从自适应阈值转移到寻找良好的照明模型。

如果您对光源有所了解，那么您当然可以从中构建模型。

否则，一个可能有效的快速技巧是对图像应用非常重的低通滤波器（模糊它），然后将其用作照明模型。然后创建原始图像和模糊版本之间的差异图像，并对其进行阈值处理。

编辑：经过快速测试，看来我的“快速破解”根本不起作用。想了想，我也不是很惊讶：）

I = someImage
Ib = blur(I, 'a lot!')
Idiff = I - Idiff
It = threshold(Idiff, 'some global threshold')

编辑 2 有另一个想法，它可以根据图像的生成方式起作用。尝试从图像中的前几行估计照明模型：

1. 取图像中的前 N ​​行
2. 从收集的 N 行中创建平均行。您知道有一行作为您的背景模型。
3. 对于图像中的每一行减去背景模型行（平均行）。
4. 对结果图像设置阈值。

不幸的是我在家没有任何好的工具来测试这个。